Jak zintegrować API TTS z Twoją aplikacją webową

Przez Zespół redakcyjny GlosaGłos · Zaktualizowano 2026-11-19

Przewodnik zawiera konkretne instrukcje integracji API TTS GlosaGłos z aplikacjami webowymi, skierowany do deweloperów startupów wydawniczych. Opisano krok po kroku proces od rejestracji konta po wysłanie pierwszego żądania POST do endpointu /v1/audio/speech. Znajdziesz tu gotowe przykłady cURL, wyjaśnienie struktury JSON oraz wskazówki dotyczące konfiguracji zmiennych środowiskowych dla kluczowych parametrów takich jak model, głos czy format wyjściowy.

Dokumentacja szczegółowo omawia zarządzanie limitami (60 żądań/min), obsługę długich tekstów poprzez podział na fragmenty i ich scalanie oraz konfigurację języków i formatów audio (MP3, WAV, OPUS, FLAC). Wskazano również sposoby optymalizacji kosztów przy użyciu modelu tts-1 i poprawnego formatowania danych. Całość oparta jest na faktach technicznych, bez nadmiernej marketingowej hagiografii, umożliwiając szybkie wdrożenie rozwiązania TTS w Twoim produkcie.

Jak zintegrować API TTS z Twoją aplikacją webową

Najczęściej zadawane pytania

Jak uzyskać klucz API Bet35?

Klucz uzyskasz na stronie /get-api-key/, rejestrując się przez Google lub e-mail. Po zalogowaniu otrzymasz unikalny token Bearer. Możesz go wygenerować ponownie w dowolnym momencie, co natychmiast unieważnia poprzedni klucz. Wymagane jest założenie konta na stronie bet35.info, które jest niezależne od innych domen w sieci.

Jakie są wymagane pola w żądaniu POST?

Wymagane pola to: model ("tts-1" lub "tts-1-hd"), input (tekst do 4096 znaków) oraz voice (jeden z 8 presetów). Pola response_format i speed są opcjonalne, ale zalecane. Możesz również podać język jako kod ISO. Żądanie wysyłasz metodą POST na endpoint /v1/audio/speech w formacie JSON.

Jak obsłużyć limit 60 żądań na minutę?

Limit wynosi 60 żądań na minutę na klucz (10 przed pierwszą wpłatą). Żądania przetwarzane są sekwencyjnie, więc przy dużym obciążeniu mogą czekać w kolejce. Zalecamy implementację mechanizmu ponownych prób z opóźnieniem (retry) w przypadku przekroczenia limitu lub zwolnienia zasobów w systemie backendowym.

Jak połączyć pliki audio z długich tekstów?

Ponieważ limit to 4096 znaków na żądanie, musisz podzielić dłuższy tekst na mniejsze fragmenty. Wyślij każde zapytanie osobno, otrzymując pliki audio dla każdego fragmentu. Następnie połącz te pliki w jeden ciągły plik audio na poziomie swojej aplikacji klienckiej lub serwerowej przed dostarczeniem użytkownikowi.

Czy API obsługuje język polski?

Tak, język polski jest w pełni obsługiwany. Możesz użyć dowolnego z 8 dostępnych głosów do generowania polskiej mowy. Warto jawnie ustawić parametr language na "pl", aby uniknąć błędnej detekcji języka, szczególnie jeśli tekst zawiera znaki łacińskie, które mogą być domyślnie interpretowane jako angielski.

Jakie są dostępne formaty wyjściowe?

API zwraca audio w formatach: mp3, wav, opus, flac oraz pcm. Możesz wybrać żądany format w polu response_format w ciele żądania. Wybór formatu zależy od potrzeb Twojej aplikacji pod względem jakości, rozmiaru pliku i kompatybilności z odtwarzaczami. Wszystkie formaty zawierają niewidoczny znak wodny sygnalizujący syntezę.

Czy mogę użyć OpenAI SDK do integracji?

Tak, interfejs API jest zgodny z formatem żądań OpenAI. Wystarczy zmienić pole base_url w oficjalnych SDK OpenAI na https://api.bet35.info/v1 i użyć swojego klucza API. Dzięki temu możesz wykorzystać istniejącą logikę klienta do wysyłania żądań generowania mowy bez konieczności pisania własnego klienta HTTP.

Jak zresetować klucz API?

Nowy klucz możesz wygenerować w dowolnym momencie w panelu konta. Po wygenerowaniu nowego klucza, stary przestaje działać natychmiast. Nie ma opłat za tę operację. Zalecamy regularne rotowanie kluczy w celu zwiększenia bezpieczeństwa Twojej integracji z API GlosaGłos.

Jak sprawdzić stan konta API?

Stan konta, w tym saldo, dostępny kredyt próbny, zużycie znaków i historię, wyświetlany jest na stronie /get-api-key/ po zalogowaniu. Możesz również sprawdzić listę głosów, języków i cen na endpointzie GET /v1/voices. Metadane żądań (czas, status) są przechowywane dla celów rozliczeniowych.

Czy API obsługuje streaming audio?

Nie, API nie obsługuje strumieniowania audio ani WebSocket. Audio jest zwracane jako kompletny plik po zakończeniu procesu syntezy. Dla krótkich fraz generowanie trwa kilka sekund, a dla dłuższych tekstów czas jest zbliżony do czasu rzeczywistego. Musisz czekać na pełną odpowiedź przed przetworzeniem pliku.

Jakie są koszty generowania audio?

Cena wynosi 10 USD za 1 milion znaków (0,01 USD za 1000 znaków). Spacje i interpunkcja liczą się jako znaki. Nieudane żądania są darmowe, a opłata jest zwracana w całości. Brak miesięcznych planów lub minimalnych wydatków. Płatność odbywa się poprzez doładowanie salda.

Czy API wymaga własnego SDK?

Nie, nie oferujemy własnego oficjalnego SDK. Możesz użyć dowolnego klienta HTTP lub oficjalnych bibliotek OpenAI, dostosowując adres bazowy. Nie ma również mobilnych SDK ani wtyczek WordPress. Integracja opiera się na prostych żądaniach HTTP POST z autoryzacją Bearer, co zapewnia elastyczność w dowolnym środowisku programistycznym.

Jakie są limity znaków w jednym żądaniu?

Maksymalna długość tekstu w jednym żądaniu wynosi 4096 znaków. Jeśli Twój tekst jest dłuższy, musisz go podzielić na mniejsze fragmenty i wysłać osobne żądania dla każdego. Wyniki audio z poszczególnych fragmentów należy następnie połączyć w aplikacji klienckiej, aby uzyskać pełny plik audio.

Czy API obsługuje SSML?

Nie, API nie obsługuje języka znaczników mowy (SSML). Nie ma również słowników fonetycznych ani niestandardowych słowników wymowy. Możesz jedynie kontrolować prędkość mowy (0.25–4.0) i wybrać konkretny głos. Dla precyzyjnej kontrol nad wymową lub intonacją musisz polegać na naturalnej syntezie oferowanej przez wybrane modele.

Przygotowanie środowiska

Ilustracja fali dźwiękowej dla: Przygotowanie środowiska

Rejestracja konta na stronie /get-api-key/ wymaga logowania przez Google lub podania adresu e-mail i hasła. Konto jest powiązane z domeną bet35.info, co gwarantuje izolację danych. Po założeniu profilu uzyskujesz dostęp do panelu z bilansem i historią żądań.

Rejestracja konta

Proces rejestracji jest automatyczny. Użytkownicy logujący się przez Google otrzymują natychmiastowy kredyt próbny w wysokości $0,50 ważny przez 7 dni. Konta założone przy użyciu e-maila i hasła zaczynają bez kredytu.

Generowanie klucza

Po zalogowaniu na dashboardie widoczny jest aktywny klucz API zaczynający się od "tts-". Możesz wygenerować nowy klucz w dowolnym momencie; stary zostaje unieważniony natychmiast. Limit wynosi 60 żądań na minutę na klucz API.

  • Klucz widoczny po zalogowaniu
  • Możliwość natychmiastowej rotacji kluczy
  • Unieważnienie poprzedniego klucza przy generowaniu nowego

Konfiguracja zmiennej

Ustaw zmienną środowiskową dla klucza, np. TTS_API_KEY. Wskaż bazowy URL API jako https://api.bet35.info/v1. Dzięki temu możesz używać oficjalnych bibliotek OpenAI bez modyfikacji struktury żądań, zmieniając jedynie bazowy adres.

Pierwsze żądanie API

Ilustracja fali dźwiękowej dla: Pierwsze żądanie API

Interfejs API przyjmuje dane w formacie JSON wysyłane metodą POST do endpointu /v1/audio/speech. Kluczowym elementem jest pole input, zawierające tekst do syntezy, ograniczony do 4096 znaków. Wszystkie pola są wymagne lub mają domyślne wartości zgodne ze specyfikacją OpenAI.

Struktura jest standardowa, co pozwala na bezproblemową integrację z istniejącymi systemami backendowymi bez konieczności tworzenia dedykowanych bibliotek.

Struktura JSON

Zaplanuj ciało żądania, uwzględniając model tts-1 lub tts-1-hd, wybranego voice oraz preferowany response_format.

Pole input musi zawierać tekst z uwzględnieniem spacji i interpunkcji jako znaków liczonych do limitu.

  • model: "tts-1"
  • input: "Tekst do syntezy"
  • voice: "nova"
  • response_format: "mp3"

Przykładowy cURL

Wyślij żądanie za pomocą narzędzia curl lub dowolnej biblioteki HTTP.

Upewnij się, że nagłówek Authorization zawiera prawidłowy klucz API.

  • curl -X POST https://api.bet35.info/v1/audio/speech \ -H "Authorization: Bearer tts-..." \ -H "Content-Type: application/json" \ -d '{"model":"tts-1","input":"Hello world","voice":"nova","response_format":"mp3"}'

Odpowiedź serwera

Serwer zwraca plik audio w wybranym formacie.

W przypadku błędu zwracany jest kod HTTP z opisem przyczyny.

  • Status: 200 OK
  • Content-Type: audio/mpeg
  • Body: <binary audio data>

Obsługa różnych języków

Ilustracja fali dźwiękowej dla: Obsługa różnych języków

Interfejs API GlosaGłos obsługuje 23 języki, w tym polski, angielski, niemiecki, hiszpański, francuski, włoski, rosyjski, chiński, japoński, koreański, arabski, hindi, turecki, holenderski, szwedzki, duński, norweski, fiński, grecki, hebrajski, malajski, suahili oraz portugalski. Każda z dostępnych postaci głosowych jest w stanie wygłosić tekst w dowolnym z tych języków, co zapewnia spójność brzmienia niezależnie od wybranej mowy.

Jakość syntezatora jest jednolita dla wszystkich dostępnych języków, co upraszcza architekturę aplikacji. Dostępność szerokiego zakresu języków pozwala na tworzenie multijęzycznych audiobooków bez konieczności integracji wielu różnych silników TTS.

Parametr language

Wymuszanie języka za pomocą parametru language w ciele żądania JSON jest kluczowe dla precyzyjnej syntezy. Pole to przyjmuje kod ISO języka, np. pl dla polskiego lub en dla angielskiego.

  • Użyj parametru language, aby uniknąć błędnej interpretacji znaków diakrytycznych.
  • Parametr jest opcjonalny, ale zalecany dla tekstów w językach łacińskich spoza angielskiego.

Wykrywanie automatyczne

Jeśli parametr language nie zostanie podany, system próbuje wykryć język na podstawie użytego pisma. Teksty w alfabecie łacińskim są domyślnie interpretowane jako angielskie.

  • Tekst w alfabecie łacińskiemu bez parametru language będzie syntezowany jako angielski.
  • Wykrywanie opiera się na znakach, a nie na kontekście semantycznym.

Przykłady języków

API wspiera języki z różnymi alfabetami, w tym cyrylicą (rosyjski), arabskim, chińskim, koreańskim i hebrajskim. Głosy takie jak Aria czy Nova radzą sobie z polskimi znakami diakrytycznymi, np. ą, ę, ś, ź.

Języki takie jak wietnamski, indonezyjski, tajski, ukraiński, rumuński, czeski czy bengalski nie są obecnie obsługiwane. Przed wdrożeniem warto zweryfikować listę dostępnych języków na stronie /docs/.

  • Arabski, Chiński, Duński, Holenderski, Angielski, Fiński, Francuski, Niemiecki, Grecki, Hebrajski, Hindi
  • Włoski, Japoński, Koreański, Malajski, Norweski, Polski, Portugalski, Rosyjski, Hiszpański, Suahili
  • Szwedzki, Turecki

Formaty audio i prędkość

Ilustracja fali dźwiękowej dla: Formaty audio i prędkość

Wybór formatu audio wpływa na rozmiar pliku i kompatybilność z odtwarzaczami. API zwraca pliki w formatach mp3, wav, opus, flac lub pcm zgodnie z parametrem response_format.

Formaty bezstratne i kompresowane różnią się efektywnością. Wybór zależy od wymagań aplikacji klienckiej oraz budżetu na przesył danych.

MP3 vs WAV

WAV zapewnia wysoką jakość bez strat, lecz generuje większe pliki. MP3 oferuje kompresję stratną, co zmniejsza zużycie transferu przy akceptowalnej jakości dźwięku.

Dla aplikacji webowych często optymalny jest MP3 ze względu na uniwersalną obsługę przez przeglądarki i mniejsze koszty przesyłu.

  • WAV: bez strat, większy rozmiar
  • MP3: kompresja stratna, mniejszy rozmiar

OPUS i FLAC

OPUS zapewnia wysoką jakość w małym rozmiarze. FLAC oferuje kompresję bezstratną, zachowującą pełną wierność dźwięku.

Wybór między OPUS a FLAC zależy od tego, czy priorytetem jest oszczędność miejsca, czy maksymalna wierność odtworzenia.

  • OPUS: kompresja stratna, wysoka efektywność
  • FLAC: kompresja bezstratna

Dostosowanie tempa

Parametr speed umożliwia zmianę prędkości odczytu w zakresie od 0.25 do 4.0. Dostosowanie tempa pozwala na optymalizację czasu generowania i dopasowanie do potrzeb słuchacza.

Zmiana prędkości nie wpływa na cenę, ale może wpłynąć na czytelność mowy w zależności od wybranej głosu i rodzaju tekstu.

  • Zakres: 0.25–4.0
  • Brak dodatkowych kosztów za zmianę tempa

Obsługa długich tekstów

Ilustracja fali dźwiękowej dla: Obsługa długich tekstów

Interfejs API przyjmuje maksymalnie 4096 znaków w jednym żądaniu. Dla dłuższych tekstów konieczne jest manualne lub automatyczne podziału treści na mniejsze fragmenty spełniające ten limit. Każdy fragment jest przetwarzany niezależnie, co zapewnia stabilność generowania nawet przy dużych objętościach danych wejściowych.

Po otrzymaniu plików audio z kolejnych fragmentów, muszą one zostać połączone w spójny plik końcowy. Kluczowe jest zachowanie kolejności i unikanie przerw między fragmentami, aby zachować naturalny odbiór treści w końcowym produkcie audiobooka.

Podział tekstu

Tekst należy podzielić na fragmenty nieprzekraczające 4096 znaków, wliczając spacje i interpunkcję. Warto zachować spójność zdaniową, aby uniknąć cięcia w środku frazy, co mogłoby zaburzyć percepcję głosu.

Przykładowo, tekst o długości 50 000 znaków wymaga około 13 osobnych żądań POST do endpointu /v1/audio/speech. Każde żądanie zwraca oddzielny plik audio w wybranym formacie.

  • Limit: 4096 znaków na żądanie
  • Spacje i znaki interpunkcyjne wliczają się do limitu
  • Zalecane cięcie na granicy zdań

Scalanie plików

Po pobraniu wszystkich fragmentów audio, należy je połączyć w jedną całość. Narzędzia do łączenia plików MP3, WAV, FLAC lub OPUS muszą zachować ciągłość dźwięku bez dodawania dodatkowych przerw.

Warto przetestować połączenie na krótkich tekstach, aby upewnić się, że formaty są kompatybilne i nie występują artefakty dźwiękowe na styku fragmentów.

  • Użyj bibliotek takich jak ffmpeg lub librosa
  • Zachowaj ten sam format wyjściowy
  • Sprawdź czytajność końcowego pliku

Automatyzacja podziału

Dla dużych projektów zalecane jest zautomatyzowanie procesu podziału i łączenia. Skrypty w Pythonie lub Node.js mogą pobierać tekst, dzielić go według limitu znaków, wysyłać żądania API i scalać wyniki.

Automatyzacja pozwala na przetwarzanie całych tomów książek bez ingerencji człowieka, co jest kluczowe dla startupów wydawniczych przetwarzających duże wolumeny treści.

  • Skrypty w Python/Node.js
  • Automatyczne wysyłanie żądań
  • Scalanie w tle aplikacji

Zarządzanie limitami

Ilustracja fali dźwiękowej dla: Zarządzanie limitami

API TTS GlosaGłos stosuje limit 60 żądań na minutę na klucz API (10 req/min przed pierwszą wpłatą). Przekroczenie limitu skutkuje błędem HTTP 429. Żądania przetwarzane są sekwencyjnie, więc przy dużym obciążeniu może wystąpić kolejka.

Wymaga to odpowiedniego zarządzania zapytaniami w aplikacji, aby uniknąć przerw w generowaniu audio lub dodatkowych opóźnień wynikających z kolejki.

Limit 60 req/min

Limit wynosi 60 żądań na minutę na jeden klucz API. Przed pierwszą wpłatą limit wynosi 10 żądań na minutę. Limit dotyczy liczby wysłanych żądań POST, a nie liczby wygenerowanych plików audio.

  • 60 żądań/min po aktywacji konta
  • 10 żądań/min przed pierwszą wpłatą
  • Limit jest liczony na klucz API

Obsługa błędów 429

Przekroczenie limitu zwraca kod błędu 429 Too Many Requests. Aplikacja powinna obsłużyć ten błąd i spróbować ponownie po określonym czasie. Nie ma gwarancji dostępności, więc błędy mogą wystąpić również przy normalnym ruchu.

  • Kod błędu HTTP 429
  • Wymaga implementacji mechanizmu powtórnego prób
  • Nie zwraca dodatkowych kosztów za nieudane żądania

Kolejkowanie żądań

Żądania są przetwarzane jedna po drugiej. Przy dużym obciążeniu żądania mogą czekać w kolejce. Długie teksty generują więcej żądań, co może wydłużyć czas oczekiwania. Zaleca się implementację mechanizmu kolejkowania żądań w aplikacji.

  • Przetwarzanie sekwencyjne żądań
  • Możliwość wystąpienia kolejki przy dużym ruchu
  • Zalecane użycie mechanizmu kolejkowania

Integracja z OpenAI SDK

Ilustracja fali dźwiękowej dla: Integracja z OpenAI SDK

Integracja z biblioteką OpenAI pozwala na wykorzystanie istniejącej infrastruktury bez konieczności pisania własnych warstw klienckich. Wystarczy zmienić bazowy adres URL endpointu na https://api.bet35.info/v1 i dostarczyć klucz API z panelu GlosaGłos. Dzięki temu struktura żądań JSON pozostaje identyczna jak w oficjalnym interfejsie OpenAI.

Możesz użyć dowolnej oficjalnej biblioteki (np. openai dla Pythona lub Node.js). Metoda audio.speech.create działa bez modyfikacji, co przyspiesza wdrażanie funkcji syntezacji mowy w istniejących aplikacjach webowych.

Konfiguracja base_url

Zmień właściwość base_url w konfiguracji klienta na https://api.bet35.info/v1. Upewnij się, że nagłówek Authorization zawiera poprawny klucz Bearer z twojego konta na bet35.info.

  • Endpoint: https://api.bet35.info/v1
  • Format żądania: identyczny jak OpenAI

Użycie oficjalnych bibliotek

Używaj standardowych pakietów open-source. Nie jest wymagana zewnętrzna biblioteka GlosaGłos.

Zalety i wady

Zaletą jest niski próg wejścia dla developerów znających OpenAI API. Wadą jest brak natywnej obsługi specyficznych funkcji GlosaGłos bez ręcznego modyfikowania żądań HTTP, np. precyzyjnego ustawiania języka dla tekstów łacińskich.

Integracja z OpenAI SDK

Monitorowanie zużycia

Ilustracja fali dźwiękowej dla: Monitorowanie zużycia

Monitoring zużycia w API GlosaGłos opiera się na prostym, transparentnym rozliczaniu. Każdy request jest rozliczany indywidualnie, a saldo konta aktualizuje się automatycznie po przetworzeniu tekstu. Dzięki temu firmy wydawnicze mogą precyzyjnie kontrolować budżet projektów audiobooków bez ukrytych opłat.

Dane dotyczące zużycia są dostępne w panelu konta. System nie przechowuje treści tekstowej po wygenerowaniu audio, co minimalizuje ryzyko utraty danych, a metadane żądań pozostają dostępne wyłącznie do celów rozliczeniowych i weryfikacji poprawności naliczeń.

Dashboard konta

Panel użytkownika na stronie /get-api-key/ wyświetla aktualny stan konta, dostępną liczbę znaków oraz historię ostatnio wykonanych żądań. Widoczny jest tam również stan kredytu próbniczego, jeśli został przyznany przy rejestracji przez Google.

Każdy wpis w historii zawiera czas wykonania, status (sukces/błąd) oraz zużytą kwotę. Dzięki temu można szybko zidentyfikować żądania, które zostały zwrócone z błędem i zweryfikować, czy została zwrócona pełna kwota.

  • Aktualny stan salda w USD
  • Dostępna pula znaków do wygenerowania
  • Lista ostatnio przetworzonych żądań z czasami i statusami
  • Status aktywności klucza API

Historia żądań

Dostęp do historii jest natychmiastowy po zalogowaniu. Każda operacja generowania audio jest logowana z dokładnym czasem rozpoczęcia i zakończenia. Pozwala to na analizę wydajności systemu w szczytowych godzinach oraz weryfikację opóźnień wynikających z kolejkowania.

W przypadku błędnych żądań, system automatycznie zwraca środki. Historia pozwala potwierdzić, czy dana transakcja została zaliczona jako nieudana i czy środki zostały zwrócone na konto w tym samym cyklu rozliczeniowym.

  • Czas rozpoczęcia i zakończenia syntezy
  • Status żądania (success/error)
  • Zwrócona kwota przy błędzie
  • ID unikalnego żądania do weryfikacji

Prognozowanie kosztów

Koszt wynosi $0.01 za 1000 znaków. Ponieważ każde żądanie jest rozliczane indywidualnie, prognozowanie kosztów opiera się na prostym mnożeniu liczby znaków przez współczynnik ceny. Nie ma opłat abonamentowych ani stałych kosztów utrzymania.

Dla dużych projektów audiobooków warto dzielić tekst na części do 4096 znaków, co pozwala na przewidywalne zużycie zasobów. Przy prędkości około 25 znaków na sekundę, można również oszacować czas generowania dla długich manuskryptów.

  • Cena: $0.01 / 1000 znaków
  • Brak opłat stałych
  • Możliwość dokładnego przeliczenia kosztu przed wysłaniem żądania
  • Brak kosztów za oczekiwanie w kolejce

Bezpieczeństwo i dane

Ilustracja fali dźwiękowej dla: Bezpieczeństwo i dane

GlosaGłos zapewnia proste prawa autorskie do wygenerowanych plików dźwiękowych. Głosy pochodzą z licencji CC BY 4.0 (LibriTTS-R) oraz lektur z LibriVox. Każda generowana ścieżka zawiera niewidoczny znak wodny sygnalizujący syntetyczne pochodzenie mowy.

Dane wejściowe są przetwarzane jedynie w celu syntezy i nie są wykorzystywane do trenowania modeli. Wygenerowane audio zwracane jest w odpowiedzi i nie jest przechowywane na serwerach. Zachowywane są tylko metadane żądań (czas, liczba znaków, status) niezbędne do rozliczeń i audytu zużycia.

Prawa autorskie

Użytkownicy otrzymują pełne prawa do komercyjnego wykorzystania wygenerowanych plików. Nie ma wymagań dotyczących podania źródła ani opłat licencyjnych poza standardową stawką za znaki.

W przeciwieństwie do rozwiązań opartych na klonowaniu głosu, tutaj nie ma ryzyka roszczeń dotyczących wizerunku konkretnych osób, gdyż głosy są wzorcami syntetycznymi.

  • Licencja CC BY 4.0 dla bazowych nagrań.
  • Brak opłat licencyjnych za dystrybucję.
  • Widoczny znak wodny w plikach audio.

Brak zapisu treści

Treść Twoich tekstów nie jest archiwizowana po zakończeniu procesu syntezy. Serwer nie przechowuje plików audio ani ich kopii zapasowych.

To rozwiązanie minimalizuje ryzyko wycieku poufnych treści redakcyjnych lub danych klientów w przypadku audytu.

Anonimizacja

Przechowywane metadane (data, czas, status) nie zawierają treści tekstowej, co zapewnia podstawową anonimizację procesów biznesowych.

Dane te są używane wyłącznie do weryfikacji faktur i limitów, a nie do analizy treści generowanych materiałów.

Typowe błędy integracji

Ilustracja fali dźwiękowej dla: Typowe błędy integracji

Podczas integracji API TTS z aplikacją webową często występują specyficzne błędy, które mogą zakłócić proces generowania audiobooków. Poniżej przedstawiamy główne przyczyny niepowodzeń oraz sposoby ich eliminacji w środowisku produkcyjnym.

Zrozumienie mechanizmów autoryzacji, limitów i obsługiwanych formatów pozwala na stabilne działanie systemu bez niepotrzebnych przestojów.

Nieprawidłowy klucz

Główną przyczyną błędu jest użycie nieaktualnego klucza API. System akceptuje tylko jeden aktywny klucz na konto; jego natychmiastowa wymiana unieważnia poprzedni.

Upewnij się, że nagłówek Authorization: Bearer zawiera poprawny ciąg znaków zaczynający się od tts-.

  • Sprawdź ważność klucza w dashboardzie
  • Wygeneruj nowy klucz w przypadku utraty dostępu

Przekroczony limit

Limit wynosi 60 żądań na minutę na klucz (10 przed pierwszą wpłatą). Przekroczenie powoduje błąd 429.

Implementuj mechanizm kolejkowania żądań lub eksponencjalnego powrotu, aby uniknąć nadmiernego obciążenia serwera.

  • Monitoruj zużycie w czasie rzeczywistym
  • Zaimplementuj buforowanie żądań

Nieobsługiwany format

API zwraca błędy przy niepoprawnym formacie audio lub przekroczeniu limity znaków (4096 znaków na żądanie).

Wybierz jeden z obsługiwanych formatów: mp3, wav, opus, flac lub pcm.

  • Waliduj wejście przed wysłaniem
  • Dopasuj format do wymagań odtwarzacza

Optymalizacja kosztów

Ilustracja fali dźwiękowej dla: Optymalizacja kosztów

Optymalizacja kosztów w API GlosaGłos opiera się na świadomym wyborze modeli i formatów. Ponieważ oba modele („tts-1

tts-1-hd

głoszą tę samą cenę za znak) wybór zależy wyłącznie od wymagań jakościowych. Nie ma opłaty za wyższą wierność, co pozwala na bezkosztową migrację między standardem a HD w zależności od kontekstu audialnego.

Wybór modelu tts-1

Oba dostępne modele, „tts-1

głoszą tę samą stawkę za znak, co oznacza, że wybór między nimi nie wpływa na koszt, lecz wyłącznie na jakość syntezowanego głosu. Dla tekstów krótkich lub wymagających naturalności, takich jak fragmenty audiobooków, rekomendujemy model HD.

Kompresja audio

Wybór formatu pliku wpływa na zużycie pasma, a nie na cenę syntezy. Format MP3 oferuje optymalny kompromis między jakością a wielkością pliku, podczas gdy OPUS zapewnia jeszcze mniejszy rozmiar przy zachowaniu dobrej jakości. FLAC jest zalecany dla archiwizacji bezstratnej.

Wydajność żądań

Ponieważ cena naliczana jest za znak, precyzyjne liczenie znaków (w tym spacji i interpunkcji) jest kluczowe. Unikaj wielokrotnego przesyłania tego samego tekstu. Wykorzystaj limit 60 żądań na minutę do efektywnego przetwarzania dużych korpusów, dzieląc tekst na fragmenty poniżej 4096 znaków.

Wsparcie techniczne

Ilustracja fali dźwiękowej dla: Wsparcie techniczne

Wsparcie techniczne w GlosaGłos odbywa się wyłącznie poprzez e-mail. Nie oferujemy numeru telefonu ani czatu na żywo, co pozwala nam skupić się na precyzyjnej analizie technicznej Twoich zgłoszeń.

Wszystkie pytania dotyczące integracji, limitów lub rozliczeń kierujemy na adres wsparcia. Odpowiadamy zwrotnie w kolejności zgłoszeń, zapewniając pełny kontekst w każdej wiadomości.

Kontakt email

Głównym kanałem komunikacji jest e-mail. Dołączaj logi żądań i szczegóły konfiguracji, aby przyspieszyć analizę problemu. Nie oczekuj natychmiastowej odpowiedzi w godzinach szczytu.

  • Brak numeru telefonu
  • Brak czatu na żywo
  • Odpowiedź na maila

Dokumentacja

Pełna dokumentacja API znajduje się na stronie /docs/. Zawiera opisy endpointów, przykłady kodu i listę obsługiwanych języków. Zawsze weryfikuj aktualny format żądania przed wdrożeniem.

Status systemu

Nie oferujemy gwarancji SLA ani certyfikatów dostępności. System działa stabilnie, ale nie ma gwarantowanego czasu bezawaryjności. Monitoruj zużycie i limity samodzielnie w panelu.

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. Tether (USDT)
  3. openai-node on GitHub
  4. W3C WAI: making audio and video accessible
  5. curl documentation
  6. LibriTTS-R paper (arXiv 2305.18802)
  7. TRON developer hub: TRC-20
  8. ISO 639 language codes
  9. Python documentation
  10. openai-python on GitHub
  11. Node.js documentation
  12. MDN: Web Speech API

Więcej na tej stronie