Jak działa API TTS do generowania audiobooków?

Przez Zespół redakcyjny GlosaGłos · Zaktualizowano 2026-11-19

Strona wyjaśnia, jak działa API TTS GlosaGłos w kontekście produkcji audiobooków. Dowiesz się, jak wysyłać tekst przez endpoint POST i odbierać gotowe pliki audio w formatach mp3, wav, opus, flac lub pcm. Opisujemy proces konwersji, od wyboru głosu do finalnego pliku audio, z uwzględnieniem specyfiki rynku wydawniczego i startupów.

Przedstawiamy mechanizm rozliczania oparty na znakach, limity szybkości oraz sposób obsługi długich tekstów poprzez ich podział i łączenie. Znajdziesz tu konkretne parametry techniczne, przykłady kosztów oraz wskazówki integracyjne z systemami automatyzacji, co pozwala na pełną kontrolę nad jakością i budżetem projektu audiobookowego.

Jak działa API TTS do generowania audiobooków?

Najczęściej zadawane pytania

Czy API generuje plik audio w czasie rzeczywistym?

Nie. API zwraca gotowy plik audio po zakończeniu przetwarzania żądania. Brak jest strumieniowania audio ani WebSocket. Generacja odbywa się asynchronicznie, a wynik jest dostępny po zakończeniu procesu syntezacji.

Jakie są limity znaków w jednym żądaniu API?

Maksymalna długość tekstu w jednym żądaniu to 4096 znaków. Dłuższe teksty należy podzielić na mniejsze fragmenty, a następnie połączyć wygenerowane pliki audio w całość zgodnie z wymaganiami technicznymi.

Czy mogę używać API do generowania komercyjnych audiobooków?

Tak. API jest dedykowane rozwiązaniem dla firm wydawniczych i startupów. Wygenerowane pliki mogą być wykorzystywane w komercyjnych audiobookach.

Jakie formaty plików są generowane przez API?

Dostępne formaty to mp3, wav, opus, flac oraz pcm. Można je wybrać w polu response_format w żądaniu POST do endpointu /v1/audio/speech, dostosowując wyjście do potrzeb infrastruktury.

Czy tekst wysłany do API jest zapisywany na stałe?

Nie. Tekst wejściowy jest używany wyłącznie do wygenerowania audio i nie jest wykorzystywany do treningu modeli. Wygenerowane audio nie jest przechowywane po odpowiedzi. Metadata zapytań są zapisywane tylko dla rozliczeń.

Jak szybko jest generowany plik audio?

Prędkość wynosi około 25 znaków tekstu na sekundę generowania dla długich tekstów. Krótkie frazy generują się w kilka sekund. Żądania są przetwarzane sekwencyjnie, więc przy dużym obciążeniu może wystąpić kolejka.

Czy API obsługuje język polski?

Tak. Polska jest jedną z 23 obsługiwanych języków. Głosy mogą czytać tekst w języku polskim. Należy ustawić parametr language na pl, aby zapewnić poprawną wymowę, ponieważ domyślnie system domyśla się angielskiego.

Jakie są dostępne głosy w API?

Dostępnych jest 8 presetów: żeńskich (aria, nova, luna, sage) i męskich (felix, milo, atlas, orion). Głosy pochodzą z nagrania licencjonowanych lektorów. Każdy głos obsługuje wszystkie 23 dostępne języki.

Czy mogę dostosować prędkość czytania w API?

Tak. Parametr speed pozwala na zmianę prędkości odczytu w zakresie od 0.25 do 4.0. Domyślna prędkość to 1.0. Wartość ta wpływa na czas generowania i finalny brzmienie pliku audio.

Jak działa limit 60 żądań na minutę?

Limit wynosi 60 żądań na minutę na klucz API. Przed pierwszą doładowaniem limit to 10 żądań na minutę. Żądania są przetwarzane jedno po drugim, co może powodować opóźnienia przy przekroczeniu limitu przepustowości.

Czy API obsługuje SSML?

Nie. API nie obsługuje znaczników SSML. Nie ma również słowników fonetycznych ani możliwości definiowania własnej wymowy. Tekst jest przetwarzany dosłownie zgodnie z podanymi parametrami głosu i prędkości.

Jak zresetować klucz API?

Nowy klucz można wygenerować w dowolnym momencie w panelu konta. Po wydaniu nowego klucza stary przestaje działać natychmiast. Wystarczy wygenerować nowy token i zaktualizować go w konfiguracji aplikacji.

Czy API wymaga własnego SDK?

Nie. Nie ma własnego oficjalnego SDK. Można użyć oficjalnych SDK OpenAI, zmieniając base_url na https://api.bet35.info/v1. Działa również czysty HTTP lub dowolna inna biblioteka obsługująca JSON.

Jakie są koszty generowania długich tekstów?

Koszt to $10 za 1 milion znaków ($0.01 za 1000 znaków). Spacje i interpunkcja liczą się jako znaki. Nie ma opłat za żądania, a nieudane syntezacje są darmowe i zwracają środki.

Czy API działa tylko na serwerach w USA?

Dane nie precyzują lokalizacji serwerów ani gwarancji SLA. API działa w chmurze. Nie ma możliwości wyboru centrum danych ani gwarancji dostępności. Integracja odbywa się przez standardowe połączenia HTTP/HTTPS.

Jak sprawdzić stan konta API?

Stan konta, saldo, limit znaków i historia użycia są dostępne na stronie /get-api-key/ po zalogowaniu. Panel pokazuje aktualny klucz, dostępne środki oraz przykładowe zapytanie curl do szybkiej integracji.

Czy API obsługuje streaming audio?

Nie. API zwraca gotowy plik audio w odpowiedzi. Brak jest strumieniowania w czasie rzeczywistym ani częściowej odpowiedzi. Klient musi pobrać cały plik po zakończeniu procesu syntezacji przez serwer.

Jakie są wymagania techniczne do integracji?

Wymagane jest wysłanie żądania POST do endpointu /v1/audio/speech z kluczem autoryzacyjnym. Należy podać tekst, model, głos i format. Odpowiedzią jest plik audio lub błąd JSON w przypadku niepowodzenia.

Czy API jest kompatybilne z OpenAI SDK?

Tak. Żądania mają tę samą strukturę co endpoint OpenAI Speech. Wystarczy zmienić base_url na https://api.bet35.info/v1 w konfiguracji oficjalnego SDK OpenAI i użyć własnego klucza API.

Jakie są parametry żądania POST /v1/audio/speech?

Parametry to: model (tts-1 lub tts-1-hd), input (tekst do 4096 znaków), voice (8 presetów), response_format (mp3, wav, opus, flac, pcm), speed (0.25–4.0) oraz opcjonalny language.

Mechanizm działania API

Ilustracja fali dźwiękowej dla: Mechanizm działania API

Interakcja z silnikiem GlosaGłos opiera się na prostym protokole HTTP POST. Klient przesyła żądanie JSON do endpointu /v1/audio/speech, zawierając tekst do syntezy oraz metadane techniczne. System nie wymaga instalacji lokalnych ani konfiguracji złożonych środowisk.

Po otrzymaniu zapytania, usługa w chmurze inicjuje proces syntetyzacji mowy. Dane są przetwarzane sekwencyjnie, co gwarantuje spójność dźwięku przy jednoczesnym utrzymaniu niskich opóźnień dla krótkich fragmentów tekstu.

Wysyłanie tekstu

Do generowania audiobooków kluczowe jest przesyłanie tekstów w formacie JSON z polem 'input'. Maksymalna długość pojedynczego żądania to 4096 znaków, co obejmuje również spacje i interpunkcję. W przypadku dłuższych rozdziałów wymagane jest podział tekstu na mniejsze partie przed wysłaniem kolejnych żądań.

Struktura żądania jest zgodna z standardem OpenAI, co umożliwia wykorzystanie oficjalnych bibliotek SDK po zmianie adresu bazowego na https://api.bet35.info/v1.

  • Pole 'input' zawiera tekst do syntezy.
  • Maksymalna długość: 4096 znaków na żądanie.
  • Format danych: JSON.

Przetwarzanie w chmurze

Silnik TTS przetwarza dane zdalnie, wykorzystając jeden z dostępnych modeli (tts-1 lub tts-1-hd). Proces odbywa się w kolejce, co przy dużym obciążeniu może wydłużyć czas oczekiwania, ale gwarantuje stabilność usługi.

System automatycznie wykrywa język na podstawie skryptu, chyba że pole 'language' zostanie zdefiniowane jawnie. Prędkość syntezy wynosi około 25 znaków na sekundę generowanego audio.

  • Model: tts-1 lub tts-1-hd.
  • Wykrywanie języka: automatyczne lub jawnie zdefiniowane.
  • Limit: 60 żądań na minutę.

Odbieranie pliku audio

Po pomyślnym zakończeniu syntezy, API zwraca plik audio w wybranym formacie (mp3, wav, opus, flac, pcm). Plik jest zwracany bezpośrednio w odpowiedzi HTTP, bez konieczności pobierania go z osobnego adresu URL.

Każdy wygenerowany plik zawiera niewidoczny znak wodny sygnalizujący charakter syntetycznej mowy. Brak opłat za nieudane próby syntezy; jeśli przetwarzanie zakończy się błędem, środki są zwracane natychmiast.

  • Formaty: mp3, wav, opus, flac, pcm.
  • Zwrot środków przy błędzie.
  • Plik zwracany w ciele odpowiedzi.

Parametry konwersji

Ilustracja fali dźwiękowej dla: Parametry konwersji

Konwersja tekstu do mowy w GlosaGłos opiera się na precyzyjnym doborze parametrów źródłowych. System obsługuje osiem presetów głosowych, obejmujących zarówno warianty żeńskie jak i męskie, umożliwiając dopasowanie charakteru wypowiedzi do typu generowanego materiału.

Użytkownik definiuje parametry w ciele żądania JSON. Kluczowe jest poprawne wskazanie modelu (tts-1 lub tts-1-hd) oraz identyfikatoru głosu, co determinuje finalny brzmieniowo plik wyjściowy bez dodatkowych nakładów czasowych.

Wybór głosu

Dostępnych jest osiem presetów głosowych: Aria, Nova, Luna, Sage (kobiece) oraz Felix, Milo, Atlas, Orion (męskie). Każdy głos jest oparty na licencjonowanych nagraniach z LibriTTS-R i może wypowiedzieć dowolny z 23 obsługiwanych języków.

  • Aria: ciepły, klarowny narrator
  • Nova: jasny, dynamiczny
  • Luna: miękki, storytelling
  • Sage: spokojny, instruktażowy
  • Felix: energiczny, promocyjny
  • Milo: przyjazny, konwersacyjny
  • Atlas: neutralny, news
  • Orion: głęboki, dokumentalny

Dostosowanie prędkości

Parametr speed pozwala regulować tempo wypowiedzi w zakresie od 0.25 do 4.0. Domyślnie system generuje tekst w tempie zbliżonym do rzeczywistej mowy (ok. 25 znaków na sekundę). Zmiana prędkości wpływa bezpośrednio na czas potrzebny na przetworzenie tekstu.

Wybór formatu

API zwraca pliki w formatach mp3, wav, opus, flac lub pcm. Wybór formatu zależy od potrzeb końcowych: mp3 i opus są optymalne pod kątem przesyłu i zajmują mniej miejsca, podczas gdy wav i flac zapewniają najwyższą jakość bez strat.

  • mp3
  • wav
  • opus
  • flac
  • pcm

Obsługa długich tekstów

Ilustracja fali dźwiękowej dla: Obsługa długich tekstów

Dla tekstów przekraczających limit 4096 znaków API zwraca audio w częściach. Klient musi samodzielnie scalić je w jedną całość, wykorzystując dowolne narzędzie do łączenia plików audio.

Proces ten wymaga podziału źródłowego tekstu na mniejsze fragmenty, które są kolejno przetwarzane przez endpoint /v1/audio/speech.

Podział na sekcje

Każde żądanie API może zawierać maksymalnie 4096 znaków, wliczając spacje i interpunkcję. Tekst dłuższy niż ten limit należy ręcznie lub programowo rozbić na mniejsze bloki.

  • Limit: 4096 znaków na jedno żądanie

Łączenie plików

Po otrzymaniu wszystkich fragmentów audio, należy je połączyć w jeden plik. Dzięki jednolitemu formatowi wyjściowemu (mp3, wav, opus, flac, pcm) operacja jest szybka i nie wymaga konwersji między kodekami.

Automatyzacja

W automatyzacji procesu kluczowe jest monitorowanie limitów API. Przy szybkości około 25 znaków na sekundę generowanie długich audiobooków może wymagać czasu. Zlecenia są przetwarzane sekwencyjnie, więc przy dużym obciążeniu może wystąpić kolejka.

  • Szybkość: ~25 znaków/sekundę

Jakość i języki

Ilustracja fali dźwiękowej dla: Jakość i języki

Wygenerowany plik audio jest sygnałem syntetycznym, w który wbudowano niewidoczny znak wodny potwierdzający jego pochodzenie. Głosy opierają się na licencjonowanych nagraniach z biblioteki LibriTTS-R (CC BY 4.0), co zapewnia spójność brzmienia w długich formach audio.

System obsługuje 23 języki, w tym polski, angielski, niemiecki czy hiszpański. Każda z 8 dostępnych syntezy potrafi płynnie wymawiać dowolny z wymienionych języków, co eliminuje potrzebę doboru osobnych profili dla każdej lokalizacji.

23 dostępne języki

API obsługuje pełną gamę języków europejskich oraz azjatyckich, takich jak arabski, chiński, japoński czy koreański. Należy pamiętać, że w ofercie brakuje języków wschodnioazjatyckich i wschodnioeuropejskich, takich jak wietnamiski, indonezyjski, tajski, ukraiński, rumuński, czeski czy bengalski.

  • Arabski, chiński, duński, niderlandzki, angielski, fiński
  • Francuski, niemiecki, grecki, hebrajski, hindi, włoski
  • Japoński, koreański, malajski, norweski, polski, portugalski
  • Rosyjski, hiszpański, suahili, szwedzki, turecki

Wykrywanie domyślne

Jeśli nie przekażesz parametru języka, system automatycznie rozpoznaje język na podstawie znaków w tekście. Teksty zapisane alfabetem łacińskim są domyślnie interpretowane jako angielskie, co może powodować błędy wymowy przy tekstach w innych językach łacińskich.

Kontrola języka

Dla precyzyjnej syntezy należy jawnie ustawić pole language w żądaniu JSON. Parametr przyjmuje kod ISO danego języka, co wymusza odpowiednią syntezę fonetyczną niezależnie od wyglądu znaków.

Koszty generowania

Ilustracja fali dźwiękowej dla: Koszty generowania

Rozliczenie opiera się na liczbie znaków wejściowych, w tym spacji i interpunkcji. Cena wynosi 10 USD za milion znaków, co daje 0,01 USD za tysiąc znaków. Nie ma stałych abonamentów ani kosztów stałych, co pozwala na precyzyjne planowanie budżetu w projektach wydawniczych.

Nieudane próby syntezy są darmowe – zwracane jest pełne obciążenie. Dostępny jest darmowy limit 0,50 USD po rejestracji przez Google, ważny przez 7 dni. Saldo nie wygasa, a doładowanie odbywa się natychmiastowo.

Liczenie znaków

Do rozliczeń przyjmowana jest całkowita liczba znaków z pola input, łącznie ze spacjami i znakami specjalnymi. Limit jednej prośby to 4096 znaków; dłuższe teksty są automatycznie dzielone przez klienta, a każdy fragment rozliczany osobno.

  • Spacje i interpunkcja wliczają się do liczby znaków.
  • Limit pojedynczego żądania: 4096 znaków.
  • Nieudane żądania nie generują kosztów.

Model rozliczeniowy

Cena stała: 0,01 USD za każde 1000 znaków. Brak opłat za konwersje, formaty czy długość pliku wynikowego. Doładowania w USDT (TRC-20) od 5 USD są realizowane automatycznie w ciągu kilku minut.

  • Brak abonamentów i ukryty opłat.
  • Saldo nie wygasa.
  • Płatność tylko krypto (TRC-20).

Przykłady obliczeń

Dla tekstu o objętości 50 000 znaków koszt wynosi 0,50 USD. Całkowity koszt generacji audiobooka o objętości 100 000 znaków to 1,00 USD. Przykładowo, generacja 1 mln znaków kosztuje dokładnie 10 USD.

Integracja techniczna

Ilustracja fali dźwiękowej dla: Integracja techniczna

Integracja z GlosaGłos opiera się na prostym protokole HTTP, który jest standardem w komunikacji między systemami. Dzięki kompatybilności z OpenAI SDK, deweloperzy mogą szybko wdrożyć rozwiązanie, zmieniając jedynie parametr base_url na https://api.bet35.info/v1. Nie jest potrzebne specjalne oprogramowanie ani dodatkowe biblioteki, co przyspiesza integrację w istniejących pipeline’ach produkcyjnych startupów wydawniczych.

Protokół HTTP

Komunikacja odbywa się poprzez standardowe zapytania POST, które są łatwe do zaimplementowania w dowolnym języku programowania. System nie wymaga utrzymywania stałych połączeń ani zaawansowanych mechanizmów handshake’u, co minimalizuje nakład pracy przy integracji z istniejącą infrastrukturą IT.

Dzięki użyciu standardowego protokołu HTTP/1.1 lub HTTP/2, dane przesyłane są w sposób niezawodny, a błędy sieciowe są obsługiwane zgodnie z powszechnymi standardami internetowymi.

  • Kompatybilność z oficjalnymi SDK OpenAI
  • Brak potrzeby instalacji dodatkowych modułów
  • Wsparcie dla HTTP/2

Autoryzacja Bearer

Każde zapytanie musi zawierać nagłówek Authorization z unikalnym kluczem API przypisanym do konta użytkownika. Klucz jest generowany w panelu i może być odwoływany w dowolnym momencie, co zapewnia ciągłość pracy nawet po jego rotacji.

Mechanizm jest prosty i zgodny z best practices branży, co eliminuje konieczność implementacji własnych mechanizmów logowania lub zarządzania sesjami.

  • Nagłówek: Authorization: Bearer tts-...
  • Jeden aktywny klucz na konto
  • Natychmiastowa unieważnienie starego klucza

Format JSON

Dane wejściowe i wyjściowe są przesyłane w formacie JSON, co jest standardem wymiany danych w nowoczesnych aplikacjach. Struktura zapytania jest identyczna jak w endpointzie OpenAI, co upraszcza migrację istniejących rozwiązań.

Odpowiedź zawiera plik audio lub błąd JSON w zależności od statusu żądania.

  • Standardowy format JSON
  • Zgodność z OpenAI Speech endpoint
  • Łatwa parsowanie danych

Wydajność systemu

Ilustracja fali dźwiękowej dla: Wydajność systemu

System generowania mowy opiera się na przetwarzaniu żądań w chmurze, gdzie typowe tempo generowania wynosi około 25 znaków tekstu na sekundę generowanego audio. Krótsze fragmenty mogą wymagać kilku sekund na syntezę, co jest istotne przy budowaniu strumieni audio dla audiobooków.

Pod obciążeniem żądania są przetwarzane sekwencyjnie, co może powodować opóźnienia w kolejce. System jest zaprojektowany do przetwarzania żądań jedno po drugim, co wymaga odpowiedniego zarządzania priorytetami przy dużych projektach wydawniczych.

Czas generowania

Typowe tempo generowania audio wynosi około 25 znaków tekstu na sekundę. Krótsze fragmenty mogą wymagać kilku sekund na syntezę, co jest istotne przy budowaniu strumieni audio dla audiobooków.

Długie teksty są przetwarzane w czasie zbliżonym do czasu rzeczywistego, co umożliwia sprawne generowanie dłuższych rozdziałów.

  • 25 znaków na sekundę dla długich tekstów
  • Kilka sekund na krótkie fragmenty
  • Czas rzeczywisty dla dłuższych treści

Kolejkowanie

Pod obciążeniem żądania są przetwarzane sekwencyjnie, co może powodować opóźnienia w kolejce. System jest zaprojektowany do przetwarzania żądań jedno po drugim, co wymaga odpowiedniego zarządzania priorytetami przy dużych projektach wydawniczych.

Limity API

Limit wynosi 60 żądań na minutę na klucz API, z niższym limitem 10 żądań na minutę przed pierwszą doładowaniem konta.

Przekroczenie limitu może skutkować opóźnieniami w przetwarzaniu żądań.

  • 60 żądań na minutę po doładowaniu
  • 10 żądań na minutę przed doładowaniem
  • Limit na klucz API
Wydajność systemu

Bezpieczeństwo danych

Ilustracja fali dźwiękowej dla: Bezpieczeństwo danych

Wydawcy i startupy mogą bez obaw generować audiobooki komercyjne, ponieważ głosy bazują na nagraniach z bibliotek open-source (LibriTTS-R CC BY 4.0) oraz lekturach domeny publicznej (LibriVox). Każda wygenerowana ścieżka audio zawiera niewidoczny znak wodny oznaczający ją jako syntetyczną mowę.

Treść tekstów wejściowych wykorzystywana jest wyłącznie do procesu syntezy i nie jest przekazywana do modeli uczenia maszynowego w celu doszlacniania modeli. To gwarantuje, że Twoje teksty nie stają się częścią zbioru danych trenujących naszych modeli.

Prawa autorskie

Głosy opierają się na licencjach CC BY 4.0 (LibriTTS-R) oraz nagraniach domeny publicznej. To upraszcza kwestie prawne przy publikacji komercyjnej.

Każdy wygenerowany plik zawiera niewidoczny znak wodny sygnalizujący pochodzenie syntetyczne, co ułatwia identyfikację treści wygenerowanych automatycznie.

Nie oferujemy klonowania głosów ani nagrywania własnych lektorów, co eliminuje ryzyko naruszenia praw osób trzecich w modelu bazowym.

  • Licencja CC BY 4.0 dla głosu bazowego
  • Nagrania z domeny publicznej (LibriVox)
  • Niewidoczny znak wodny w pliku audio

Brak zapisu treści

Treść przesłana w polu input jest używana do wygenerowania audio i nie jest przechowywana po zwróceniu odpowiedzi. Nie służy do treningu naszych modeli.

Jedynymi danymi przechowywanymi dłużej są metadane wymagane do rozliczeń: czas zlecenia, liczba znaków oraz status realizacji.

To podejście minimalizuje ryzyko wycieku wrażliwych manuskryptów czy unikalnych treści wydawniczych do zewnętrznych systemów.

Anonimizacja

Przechowywane metadane rozliczeniowe są ściśle powiązane z kontem użytkownika i kluczem API, bez jawienia nazwiska lub adresu e-mail w plikach audio.

System nie zbiera dodatkowych danych biometrycznych ani informacji o lokalizacji IP po celach analitycznych poza niezbędnymi dla rozliczeń.

Dane te są przechowywane zgodnie z zasadami minimalizacji danych, tylko do momentu zakończenia okresu rozliczeniowego.

  • Metadane tylko do rozliczeń
  • Brak zbędnych danych biometrycznych
  • Minimalizacja przechowywanych informacji

Zastosowania praktyczne

Ilustracja fali dźwiękowej dla: Zastosowania praktyczne

API GlosaGłos umożliwia automatyczną konwersję tekstów źródłowych na gotowe pliki dźwiękowe, co jest kluczowe dla wydawców i startupów audiobookowych. System obsługuje pełny cyklu pracy: od wysłania tekstu po pobranie pliku audio w wybranym formacie.

Rozwiązanie jest przeznaczone do integracji z systemami wydawniczymi, gdzie wymagana jest precyzyjna kontrola nad kosztami i formatami. Dzięki prostemu interfejsowi API, deweloperzy mogą zautomatyzować proces produkcji audiobooków bez potrzeby zatrudniania lektorów.

Audiobooki komercyjne

System pozwala na masową generację audiobooków na podstawie tekstów źródłowych. Dostępne głosy, takie jak Aria czy Felix, oferują różne style narracji, co umożliwia dopasowanie brzmienia do gatunku książki.

  • Automatyczny podział długich tekstów na fragmenty do 4096 znaków
  • Możliwość wyboru formatu pliku (MP3, WAV, OPUS)
  • Brak opłat za przechowywanie wygenerowanych plików dźwiękowych

Treningi firmowe

Firmy mogą szybko tworzyć materiały szkoleniowe w formie audio. Teksty instruktażowe konwertowane są na mowę, co ułatwia ich przyswajanie przez pracowników w ruchu lub podczas innych czynności.

  • Wsparcie dla 23 języków, w tym polskiego
  • Możliwość regulacji prędkości wypowiedzi (0.25–4.0x)
  • Brak opłaty za nieudane próby syntezy

Systemy informacyjne

API może być zintegrowane z systemami powiadomień lub aplikacjami mobilnymi dostarczającymi informacje w formie głosowej. Neutralne głosy, takie jak Atlas, są idealne do przekazywania wiadomości tekstowych.

  • Integracja poprzez standardowy protokół HTTP POST
  • Autoryzacja za pomocą klucza API (Bearer token)
  • Darmowe żądania przy błędach syntezy

Typowe problemy

Ilustracja fali dźwiękowej dla: Typowe problemy

W procesie generowania audiobooków często występują specyficzne ograniczenia techniczne. Rozumienie mechanizmu limitów i formatowania danych pozwala uniknąć przerw w produkcji.

Błędy limitu

API zezwala na 60 żądań na minutę. Przekroczenie limitu powoduje odrzucenie żądań do momentu obniżenia się liczby zapytań.

  • Limit: 60 req/min.
  • Początkowy limit: 10 req/min.

Formatowanie tekstu

Tekst przekraczający 4096 znaków wymaga ręcznego podziału. Przecinki i spacje są liczone jako znaki.

  • Max: 4096 znaków.
  • Wliczane: spacje.

Odpowiedzi błędne

Nieudane próby są bezzwrotnie refundowane. Brak pobrania opłaty za błędy syntezy.

Narzędzia wspomagające

Ilustracja fali dźwiękowej dla: Narzędzia wspomagające

Właściwe zarządzanie zasobami w projekcie TTS wymaga precyzyjnego planowania budżetu i automatyzacji rutynowych operacji. Narzędzia wspomagające pozwalają na dokładne oszacowanie kosztów generowania audiobooków oraz monitorowanie zużycia znaków w czasie rzeczywistym.

Kalkulatory znaków

Przed wysłaniem tekstu warto sprawdzić jego długość, ponieważ opłata wynosi $0.01 za każde 1000 znaków. Kalkulatory pomagają przewidzieć koszty, uwzględniając spacje i interpunkcję, które wchodzą w skład licznika.

Skrypty automatyzacji

Automatyczne podział długich manuskryptów na fragmenty poniżej limitu 4096 znaków eliminuje potrzebę ręcznego dzielenia tekstu. Skrypty mogą następnie połączyć wygenerowane pliki audio w spójny plik końcowy.

Monitorowanie zużycia

Dashboard API pozwala na bieżąco śledzić saldo konta oraz historię żądań. Dzięki temu można szybko wykryć nieprawidłowości w obciążeniu i zapobiec wyczerpaniu środków podczas automatycznego generowania treści.

Podsumowanie procesu

Ilustracja fali dźwiękowej dla: Podsumowanie procesu

Integracja API GlosaGłos z systemami wydawniczymi nie wymaga złożonych umów licencyjnych ani długiego onboardingu. Dostęp do klucza API uzyskuje się natychmiast po rejestracji, a zgodność z protokołem OpenAI pozwala na szybkie uruchomienie pierwszych zapytań bez konieczności pisania dedykowanych bibliotek.

Szybkość wdrożenia

Architektura RESTful umożliwia bezpośrednią integrację z istniejącymi pipeline’ami edytorskimi. Deweloperzy mogą dostosować bazowy URL i użyć standardowych bibliotek HTTP, co skraca czas od prototypu do produkcji do kilku dni.

Skalowalność

Żądania są przetwarzane sekwencyjnie, z limitem 60 zapytań na minutę na klucz. Przy większym obciążeniu możliwe jest wydanie dodatkowych kluczy lub skalowanie zewnętrzne poprzez podział strumienia danych na mniejsze jednostki.

Kontrola kosztów

Rozliczanie następuje wyłącznie za pobrane znaki (10 USD za milion znaków), co zapewnia pełną przezroczystość kosztów. Brak abonamentów i opłat stałych pozwala na precyzyjne prognozowanie budżetu dla pojedynczych tytułów lub całych katalogów wydawniczych.

Posłuchaj 8 głosów

Każdą z poniższych próbek wygenerowano za pomocą tego API z tego samego zdania. Wygenerowane audio zwracane jest w odpowiedzi i nie jest przechowywane na serwerach.

Awatar głosu aria
ariażeński
Awatar głosu nova
novażeński
Awatar głosu luna
lunażeński
Awatar głosu sage
sageżeński
Awatar głosu felix
felixmęski
Awatar głosu milo
milomęski
Awatar głosu atlas
atlasmęski
Awatar głosu orion
orionmęski

23 języki

Każdy głos potrafi mówić w którymś z tych języków.

Źródła i dalsze lektury

  1. Wikipedia
  2. FFmpeg documentation
  3. openai-node on GitHub
  4. LibriTTS-R corpus (OpenSLR 141)
  5. IETF RFC 7845: Ogg Opus
  6. W3C WAI: making audio and video accessible
  7. curl documentation
  8. Tether (USDT)
  9. MDN: Web Speech API
  10. OpenAI API reference: create speech
  11. LibriTTS-R paper (arXiv 2305.18802)
  12. Node.js documentation

Więcej na tej stronie