تبدیل متن به گفتار با API (audio/speech)
خواندن متن فارسی و انگلیسی با POST /v1/audio/speech و SDK رسمی OpenAI: انتخاب صدا، قالب mp3 و wav، سرعت، انتخاب خودکار مدل فارسی و قیمت بهازای هر نویسه.
بهروزرسانی: ۱۲ مهر ۱۴۰۵
مسیر POST /v1/audio/speech همان شکل OpenAI را دارد و خود فایل صوتی را برمیگرداند، پس client.audio.speech.create بدون تغییر کار میکند.
Python
from openai import OpenAI
client = OpenAI(base_url="https://api.uttapen.ir/v1", api_key="sk-up-...")
audio = client.audio.speech.create(
model="uttapen/auto-speech", # برای متن فارسی، مدلی انتخاب میشود که فارسی را درست میخواند
voice="", # خالی: صدای پیشفرض مدلی که انتخاب میشود
input="سلام! به یوتاپن خوش آمدید.",
)
audio.write_to_file("hello.mp3")
Node
import OpenAI from "openai";
import { writeFile } from "node:fs/promises";
const client = new OpenAI({ baseURL: "https://api.uttapen.ir/v1", apiKey: "sk-up-..." });
const res = await client.audio.speech.create({ model: "uttapen/auto-speech", voice: "", input: "Hello from uttapen." });
await writeFile("hello.mp3", Buffer.from(await res.arrayBuffer()));
فیلدها
| فیلد | توضیح |
|---|---|
model | شناسهٔ مدل یا uttapen/auto-speech |
input | متن، حداکثر ۵٬۰۰۰ نویسه |
voice | یکی از صداهای همان مدل (فهرست در صفحهٔ مدل). خالی یعنی صدای پیشفرض؛ با انتخاب خودکار خالی بگذار، چون مدل انتخابشده را از قبل نمیدانی |
response_format | mp3 (پیشفرض)، wav، opus، aac، flac، pcm |
speed | ۰٫۲۵ تا ۴ |
صدای نامعتبر 400 با param: "voice" و چند نمونهٔ مجاز میدهد.
پاسخ
بدنه خود فایل صوتی است. هزینه و لینک فایل در هدرها میآیند:
| هدر | مقدار |
|---|---|
X-Uttapen-Cost-Toman | هزینهٔ همین درخواست |
X-Uttapen-Balance-Toman | موجودی بعد از شارژ |
X-Uttapen-Media-Url | لینک امضاشدهٔ ۲۴ ساعته به همین فایل (نگهداری ۳۰ روز) |
X-Uttapen-Media-Id | شناسهٔ کار برای GET /v1/uttapen/media/{id} |
اگر ساخت از چند دقیقه بیشتر طول بکشد، بهجای فایل 202 با شیء کار برمیگردد؛ نتیجه را بعداً با همان شناسه بگیر.
قیمت
برخلاف تصویر و ویدیو، سازندگان مدلهای گفتار هزینهٔ هر درخواست را گزارش نمیکنند. برای همین شارژ = قیمت منتشرشدهٔ مدل × تعداد نویسه (برای مدلهایی که خروجی صوتی را توکنی قیمت میدهند، با تخمین ثابت توکن صوتی بهازای هر نویسه). قیمت هر ۱٬۰۰۰ نویسه در مدلهای گفتار آمده و همین عدد پیش از اجرا هم رزرو میشود. درخواست ناموفق رایگان است. جزئیات در مرور رسانه.
با شماره موبایل ثبتنام کن، کیف پول را از ۱۰۰٬۰۰۰ تومان شارژ کن و کلید بساز. مدلهای رایگان بدون شارژ هم کار میکنند — تا ۵۰ درخواست در روز. ساخت کلید API ←