Перейти к основному содержанию
Для озвучки и музыки используется POST /api/v2/generate. Распознавание загруженной записи работает через отдельные POST /api/v2/stt/quote и POST /api/v2/stt. Текущую доступность моделей для аккаунта возвращает GET /api/v2/models.

Синтез речи (TTS)

gpt-realtime-2.1-mini создаёт готовый файл из текста, в том числе на русском языке. Доступны 10 голосов, скорость 0.25–1.5, указания для голоса и шесть форматов. Текст до 4096 знаков стоит 3 / 8 / 15 / 20 токенов для ступеней до 500 / 1500 / 3000 / 4096 знаков. После генерации дополнительного списания нет. Голос по умолчанию — Alloy. Отправьте model, текст в prompt, а voice, speed, instructions и response_format — внутри params. Асинхронный запрос вернёт id: дождитесь completed через GET /api/v2/generate/{id}, затем скачайте файл через GET /api/v2/download/{id} с Authorization. Пример и полный список параметров. После перехода каталога эта модель заменяет openai-tts, openai-tts-hd и gpt-4o-mini-tts в новых выборах. История и прежние цены сохраняются. Другие TTS-модели, включая MiniMax и ElevenLabs, остаются в каталоге со своими параметрами и текущими котировками. Интерактивные Realtime-сессии относятся к следующему этапу.

Распознавание речи (STT)

gpt-transcribe принимает файл до 25 МиБ, language=auto или один двухбуквенный код языка. Сервер измеряет длительность; цена зависит от записи и начинается от 1 токена. Сначала загрузите тот же файл в /stt/quote без списания. После согласия с ценой передайте в /stt файл, expected_token_cost и quote_fingerprint. Изменённая котировка вернёт 409 до платного вызова. Результат находится в result_text. Форматы и рабочий пример. После перехода каталога whisper и gpt-4o-transcribe исключены из новых выборов; прежние результаты не переименовываются. Другие STT-модели доступны согласно текущему каталогу.

Генерация музыки

Две модели для разных задач:

MusicGen (Replicate)

ElevenLabs Music

Советы по промптам