Часто задаваемые вопросы
Как работает синтез речи?
Отправьте POST-запрос на https://api.playc186.com/v1/audio/speech с текстом до 4096 символов. API возвращает аудиофайл в выбранном формате (mp3, wav, opus, flac, pcm). Для длинных текстов разбивайте текст на части и объединяйте файлы. Аутентификация через Bearer-токен в заголовке Authorization.
В чем разница между моделями?
Доступны модели tts-1 и tts-1-hd. Они используют один и тот же движок синтеза и имеют одинаковую стоимость. Разница заключается только в названии модели, так как используется один и тот же движок. Для большинства задач анимации достаточно стандартной модели.
Можно ли клонировать голос?
Нет, кастомное клонирование голоса не поддерживается. API предлагает 8 предустановленных голосов (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion), основанных на лицензированных записях LibriTTS-R и LibriVox. Вы не можете загрузить свой образец голоса для генерации.
Какие языки поддерживает API?
Поддерживается 23 языка: арабский, китайский, датский, нидерландский, английский, финский, французский, немецкий, греческий, иврит, хинди, итальянский, японский, корейский, малайский, норвежский, польский, португальский, русский, испанский, суахили, шведский, турецкий. Другие языки, включая вьетнамский и украинский, не поддерживаются.
Насколько естественно звучит речь?
Голоса основаны на записях LibriTTS-R и LibriVox и содержат невидимый водяной знак, маркирующий синтез. Речь звучит естественно для анимационного дубляжа. Интонация фиксируется шаблоном голоса, но не меняется динамически в зависимости от смысла текста без внешних настроек скорости.
Можно ли менять интонацию?
Прямое управление интонацией (эмоциями) через API недоступно. Вы можете изменять скорость речи в диапазоне от 0.25 до 4.0. Выбор конкретного голоса (например, энергичного Felix или спокойного Sage) задает базовый тембр и манеру произношения для всего отрезка.
Сколько стоит синтез речи?
Стоимость составляет $10 за 1 миллион символов ($0.01 за 1000 символов). Пробелы и знаки препинания считаются символами. Баланс пополняется через USDT (TRC-20). Неиспользованные средства не сгорают, подписки и ежемесячные платежи отсутствуют.
Нужно ли платить за каждый запрос?
Да, оплата взимается за каждый успешный запрос синтеза. Если синтез завершился ошибкой, сумма возвращается на баланс в полном объеме. Оплата производится с предоплаченного баланса, привязанного к вашему API-ключу. Минимальная сумма пополнения — $5.
Как долго генерируется аудио?
Средняя скорость генерации составляет примерно 25 символов текста в секунду аудио. Короткие фразы занимают несколько секунд, длинные тексты генерируются в реальном времени. Запросы обрабатываются последовательно, поэтому при высокой нагрузке возможно ожидание в очереди.
Можно ли использовать API в коммерции?
Да, API подходит для коммерческого использования студиями анимации и дубляжа. Голоса основаны на записях LibriTTS-R (CC BY 4.0) и LibriVox. Сгенерированные аудиофайлы не хранятся на серверах после отправки клиенту, что упрощает управление правами на контент.
Хранятся ли голоса на сервере?
Исходный текст используется только для генерации и не передается в обучение. Сгенерированный аудиофайл возвращается в ответе и не сохраняется на серверах. Метаданные запросов (время, объем, статус) хранятся исключительно для целей биллинга и учета расходов.
Есть ли поддержка эмодзи в тексте?
В тексте можно использовать эмодзи, так как они считаются символами. API обрабатывает их как часть входной строки до 4096 символов. Эмодзи не влияют на выбор голоса или языка, если явно не указан параметр language.
Можно ли генерировать звук тишины?
API генерирует речь на основе предоставленного текста. Если передать пустую строку или текст без фонем, результат может быть тишиной или коротким звуком, но это не гарантируется как отдельная функция. Специального параметра для генерации тишины нет.
Как определить язык текста?
Если параметр language не указан, язык определяется автоматически по скрипту. Текст на латинице по умолчанию считается английским. Для других языков на латинице (например, испанского или немецкого) необходимо явно указать параметр language с ISO-кодом.
Определение технологии
API синтеза речи — это облачный сервис, преобразующий текстовый ввод в готовый аудиофайл через простой HTTP-запрос. Технология позволяет студиям анимации и дубляжа получать звуковые дорожки для персонажей без участия звукорежиссеров на каждом этапе.
Преобразование текста в аудиофайл
Пользователь отправляет текст через POST-запрос на endpoint https://api.playc186.com/v1/audio/speech. Сервер обрабатывает данные и возвращает бинарный файл в выбранном формате (mp3, wav, opus, flac, pcm). Процесс занимает время, пропорциональное длине текста, примерно 25 символов в секунду.
Использование в индустрии
Инструмент интегрируется в пайплайны производства анимации, где требуется быстрая генерация реплик для раскадровок или финального дубляжа. API подходит для автоматизации рутинных задач озвучки, снижая нагрузку на голосовых актеров.
Автоматизация озвучки
Система позволяет переводить сценарии в аудио напрямую из кода. Отсутствие лишних интерфейсов и поддержка стандартных SDK (например, OpenAI SDK) упрощают внедрение в существующие рабочие процессы студий.
Модели синтеза
API предлагает две модели синтеза: tts-1 и tts-1-hd. Обе используют один и тот же движок, обеспечивая сопоставимое качество рендеринга голоса для анимационных проектов.
Модель tts-1 базовая
Модель tts-1 обеспечивает стабильную генерацию аудиофайлов. Разница в качестве звука с версией HD минимальна, что делает её оптимальным выбором для массовой озвучки реплик персонажей.
Модель tts-1-hд высокого качества
Вариант tts-1-hd использует тот же движок, что и базовый tts-1. Предпочтителен для сцен, где важна высокая чистота звука и точность интонаций.
Одинаковая стоимость моделей
Стоимость синтеза одинакова для обеих моделей. Выбор зависит только от требований к качеству аудио в вашем пайплайне дубляжа.
Голоса и языки
API предоставляет 8 предустановленных голосов, разделенных на мужские и женские линии. Вы можете выбрать теплый повествовательный тон, энергичный промо-стиль или нейтральный новостной регистр, чтобы точно соответствовать характеру персонажа в вашем анимационном проекте.
8 предустановленных голосов
Доступны четыре женских голоса: Aria (тёплый повествователь), Nova (энергичный), Luna (мягкий) и Sage (инструктивный). Среди мужских вариантов предлагаются Felix (энергичный, промо), Milo (дружелюбный, разговорный), Atlas (нейтральный, новости) и Orion (глубокий, документальный). Каждый голос обладает уникальной тембральной окраской, подходящей для различных жанров анимации.
- Женские: Aria, Nova, Luna, Sage
- Мужские: Felix, Milo, Atlas, Orion
23 поддерживаемых языка
Синтез поддерживает 23 языка, включая английский, японский, немецкий, русский, испанский, китайский и другие. Это позволяет дублировать анимационный контент на международные рынки без необходимости найма внешних студий. Список включает как распространенные, так и специфические языки, необходимые для локализации.
- Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish, Turkish
Универсальность голосов
Каждый из восьми голосов способен говорить на любом из 23 поддерживаемых языков. Это устраняет необходимость подбора уникального голоса под каждый язык и упрощает настройку пайплайна автоматизации озвучки. Язык определяется автоматически или указывается явно через параметр language.
Форматы аудио
API поддерживает несколько форматов выходного аудио, что позволяет выбрать оптимальный вариант для разных этапов производственного пайплайна студии. Вы можете запросить сжатый файл для быстрой передачи или исходный для дальнейшей постобработки.
Выбор формата зависит от требований к размеру файла и качеству. Все варианты возвращают готовый аудиопоток, совместимый со стандартными медиаплеерами и DAW.
Сжатые форматы MP3 и Opus
Форматы MP3 и Opus обеспечивают минимальный размер файлов при сохранении приемлемого качества звука. Они оптимальны для быстрой загрузки реплик в монтажные системы или для передачи материала коллегам по сети без задержек.
Opus особенно эффективен при низких битрейтах, сохраняя разборчивость речи. Это позволяет экономить трафик при массовой генерации диалогов для анимационных проектов.
- MP3: универсальный сжатый формат с широким поддержкой.
- Opus: современный кодек с высоким сжатием и качеством.
Без потери качества WAV
WAV предоставляет несжатый аудиофайл. Это стандарт для последующей обработки и монтажа.
Формат FLAC для архивов
FLAC сжимает аудио без потери данных, создавая компактные копии оригинального звука. Формат идеален для долгосрочного хранения сценариев и мастер-файлов проекта, экономя дисковое пространство без компромиссов в качестве.
Процесс генерации
Процесс синтеза начинается с формирования JSON-запроса к конечной точке POST https://api.playc186.com/v1/audio/speech. Вы передаете текст до 4096 символов, выбираете модель (tts-1 или tts-1-hd) и требуемый голос. Аутентификация осуществляется через заголовок Authorization: Bearer с вашим API-ключом.
Сервер обрабатывает запросы последовательно в очереди. Скорость генерации сопоставима с реальным временем (около 25 символов в секунду). При высокой нагрузке запросы могут ожидать обработки. Для длинных сценариев текст разбивается на части, а аудиофайлы объединяются.
Отправка JSON запроса
Запрос отправляется методом POST на эндпоинт /v1/audio/speech. Тело запроса содержит поля model, input (текст), voice (один из 8 presets), response_format и опционально speed (диапазон 0.25–4.0). Используйте формат JSON, совместимый с официальной структурой запросов OpenAI.
- Endpoint:
POST https://api.playc186.com/v1/audio/speech - Auth:
Authorization: Bearer tts-... - Input: до 4096 символов
Обработка на сервере
Запросы обрабатываются последовательно. Типичная скорость генерации составляет около 25 символов текста в секунду аудио. При превышении лимитов (60 запросов в минуту) запросы встают в очередь. Скорость может замедляться при высокой нагрузке на инфраструктуру.
Получение аудиофайла
В ответе вы получаете готовый аудиофайл в выбранном формате (mp3, wav, opus, flac, pcm). Для текстов длиннее 4096 символов текст разбивается на части, а аудиофайлы объединяются. Файл не сохраняется на сервере после отправки.
- Форматы: mp3, wav, opus, flac, pcm
- Длинные тексты: разбивка на части
Технические детали
API принимает текст до 4096 символов за один запрос. Пробелы и знаки препинания учитываются. Для длинных сценариев необходимо разбивать текст на части и объединять аудиофайлы.
Лимиты символов
Максимальный объем входных данных ограничен 4096 символами. Для обработки больших сценариев текст делится на сегменты, которые затем склеиваются в единый файл.
Регулировка скорости
Параметр speed позволяет изменять темп речи в диапазоне от 0.25 до 4.0. Это полезно для синхронизации голоса с движением персонажей.
Автоматическое определение языка
Система автоматически определяет язык по скрипту текста. Для латиницы по умолчанию выбирается английский.
- Указывайте параметр
languageдля точного распознавания, если текст на латинице, но не на английском.

Лицензирование
Голоса в AnimeTTS API основаны на лицензированных записях из датасета LibriTTS-R. Это обеспечивает юридическую чистоту и стабильность звучания без привязки к конкретным актёрам.
Использование проверенных источников позволяет студиям свободно использовать сгенерированный контент в коммерческих проектах, избегая сложных отчислений за каждый трек.
Источники голосов
Базой для всех 8 голосов стали записи из проекта LibriVox. Это публичные аудиокниги, записанные добровольцами, что гарантирует высокое качество исходного материала.
- 8 предустановленных голосов
- Основа на реальных записях
- Чистое авторское право
Лицензия CC BY 4.0
Датасет распространяется под лицензией Creative Commons Attribution 4.0 International. Это позволяет свободно использовать, модифицировать и создавать производные работы.
Аудиокниги LibriVox
LibriVox собирает аудиокниги из произведений общественного достояния. Голоса основаны на лицензированных записях: LibriTTS-R (CC BY 4.0), из публичных аудиокниг LibriVox.
Водяные знаки
Каждый сгенерированный аудиофайл содержит невидимый цифровой водяной знак, фиксирующий факт синтеза речи. Это техническая маркировка, встроенная в аудиопоток без изменения восприятия на слух.
Знак позволяет автоматически отличать нейросетевой голос от живого человека, что важно для контента студий анимации и дубляжа.
Невидимая маркировка
Водяной знак встроен в аудиофайл и не влияет на его качество или длительность. Он неслышен для человеческого уха и не требует дополнительных обработок при воспроизведении.
Идентификация синтетики
Присутствие знака гарантирует, что голос создан алгоритмически. Это позволяет системам модерации и архивации автоматически классифицировать контент как сгенерированный, сохраняя прозрачность происхождения аудио.
Прозрачность контента
Использование водяных знаков обеспечивает честность перед аудиторией. Вы четко обозначаете, что озвучка персонажей выполнена с помощью API, избегая спорных моментов с авторскими правами на реплики.
Ограничения
API спроектирован как простой конвертер текста в аудио, поэтому в него не включены расширенные разметочные языки. Это сохраняет структуру запроса минимальной и предсказуемой для автоматизации производственных пайплайнов студии.
Отсутствие SSML
Синтез не поддерживает SSML, что исключает тонкую настройку интонаций, пауз или произношения отдельных фонем. Для управления ритмом и акцентами используйте прямую пунктуацию и разбивку текста на предложения.
Нет кастомных голосов
Кастомный клонинг голосов или загрузка собственных референсов для создания уникальных тембров в API не предусмотрен. Вы можете выбрать один из 8 предустановленных голосов, основанных на лицензированных записях LibriTTS-R.
Лимиты запросов
Доступно 60 запросов в минуту на ключ (10 в минуту до первого пополнения). Каждый запрос ограничен 4096 символами; для длинных сценариев текст следует разбивать на части.
- Лимит: 60 запросов/мин (10 до топапу)
- Макс. текст: 4096 символов на запрос
История технологии
Синтез речи эволюционировал от параметрических моделей к нейросетевым системам, обеспечивая естественное звучание. Сегодня это стандарт для автоматизации озвучки в анимации, где требуется быстрая генерация реплик без участия актёров.
Современные API используют глубокие нейросети для предсказания интонации и темпа. Это позволяет студиям получать готовый аудиофайл по REST API, интегрируя его в пайплайн дубляжа.
Развитие TTS систем
Ранние системы базировались на拼接 отдельных фонем, что давало роботизированный звук. Переход к нейросетевым моделям позволил обрабатывать текст целиком, учитывая контекст и структуру предложений.
- Переход от конкатенации к端到端 моделям
- Улучшение естественности интонации
Нейросетевой подход
Нейросети анализируют текст и генерируют аудио напрямую, имитируя речевые паттерны. Это обеспечивает стабильное качество даже при длинных сценариях, что критично для анимационных проектов.
Современные стандарты
Стандартом стал REST API с JSON-запросами, совместимый с популярными SDK. Это упрощает интеграцию в существующие инструменты производства анимации и дубляжа.
- REST API для интеграции
- Совместимость с OpenAI SDK
Будущее синтеза
Технология синтеза речи продолжает развиваться, предлагая студиям всё более естественное звучание и расширяя географическое покрытие языков. Это позволяет автоматизировать процессы озвучки анимации на новых рынках без значительных технических изменений в пайплайне.
Рост качества голоса
Алгоритмы генерации аудио становятся точнее, снижая артефакты и делая речь более выразительной. Это особенно важно для анимационных проектов, где интонация передаёт характер персонажа.
Увеличение поддержки языков
Поддерживается 23 языка, включая арабский, хинди и корейский. Голоса универсальны и могут произносить любой из этих языков, что упрощает локализацию дубляжа.
Интеграция в пайплайны
API легко встраивается в существующие рабочие процессы благодаря стандартному формату запросов. Это позволяет автоматизировать генерацию реплик из сценариев напрямую в этапе постпродакшна.
Послушайте 8 голосов
Каждый образец ниже сгенерирован этим API из одного и того же предложения. Мы создаем яркие истории, которые заставляют аудиторию улыбаться и возвращаться к нашему контенту снова и снова.
23 языка
Любой голос может говорить на любом из этих языков.
