टेक्स्ट-टू-स्पीच (TTS)
टेक्स्ट को सुनने में स्वाभाविक लगने वाली आवाज़ में बदलें
AI वॉइस सिंथेसिस का इस्तेमाल करके टेक्स्ट को स्पीच में बदलें। इससे MP3 ऑडियो फ़ाइल मिलती है।
प्रमाणीकरण
ऑथराइज़ेशन हेडर में अपनी API की (API key) शामिल करें।
अनुरोध का मुख्य भाग
| पैरामीटर | आवश्यक | टाइप | विवरण |
|---|---|---|---|
| text | ज़रूरी | डोरी | बदलने के लिए टेक्स्ट (अधिकतम 1500 कैरेक्टर) |
| output_format | वैकल्पिक | डोरी | ज़रूरी ऑडियो आउटपुट फ़ॉर्मैट। इसे codec_sampleRate_bitrate (जैसे, mp3_22050_32) के तौर पर बताया गया है। डिफ़ॉल्ट mp3_44100_128 है। पूरी लिस्ट के लिए नीचे दिया गया ’आउटपुट फ़ॉर्मैट्स’ सेक्शन देखें। |
| voice_id | ज़रूरी | पूर्णांक | से वॉइस ID आवाज़ों की सूची. |
| prerecording | वैकल्पिक | पूर्णांक | 1 (बेसिक एन्हांसमेंट), 2 (AI एन्हांसमेंट / अरबी तशकील) या 3 (AI पोएट)। 2 और 3 सिर्फ़ अरबी कंटेंट के लिए उपलब्ध हैं; भाषा देखें। |
| language | वैकल्पिक | डोरी | ISO 639-1 कोड के तौर पर कंटेंट की भाषा, जैसे ar या en (ar-JO जैसे रीजन कोड भी स्वीकार किए जाते हैं)। यह तय करता है कि कौन से प्री-रिकॉर्डिंग मोड इस्तेमाल किए जा सकते हैं और इसे वॉइस को नहीं भेजा जाता है। मोड 2 और 3 सिर्फ़ अरबी (ar) के लिए उपलब्ध हैं। अगर भाषा नहीं बताई जाती है, तो 2 और 3 का मतलब अरबी ही होता है, इसलिए मौजूदा इंटीग्रेशन काम करते रहते हैं। 2 या 3 के साथ कोई दूसरी भाषा या अनजान कोड इस्तेमाल करने पर, details.language के तहत कारण के साथ 400 INVALID_REQUEST का एरर मिलता है। |
| voice_settings | वैकल्पिक | स्ट्रिंग (JSON) | आवाज़ कस्टमाइज़ करने के विकल्प |
सपोर्टेड आउटपुट फ़ॉर्मैट
output_format पैरामीटर इनमें से कोई भी वैल्यू हो सकता है:
- MP3: mp3_22050_32, mp3_24000_48, mp3_44100_32, mp3_44100_64, mp3_44100_96, mp3_44100_128, mp3_44100_192
- PCM: pcm_8000, pcm_16000, pcm_22050, pcm_24000, pcm_32000, pcm_44100, pcm_48000
- ओपस: opus_48000_32, opus_48000_64, opus_48000_96, opus_48000_128, opus_48000_192
- WAV: wav_16000, wav_22050, wav_24000, wav_44100, wav_48000 — इंजन के अपने आउटपुट का 16-बिट मोनो WAV (लॉसलेस)। स्ट्रीमिंग WebSocket पर उपलब्ध नहीं; वहाँ pcm_* इस्तेमाल करें।
यह सेक्शन एक रेफरेंस के तौर पर काम करता है, ताकि यूज़र्स मुख्य रिक्वेस्ट टेबल को अव्यवस्थित किए बिना सही फ़ॉर्मैट चुन सकें।
इंजन और मोड
हर आवाज़ दो इंजनों में से एक की होती है। आवाज़ सूची इसे voice_engine के रूप में लौटाती है, और आपकी चुनी हुई आवाज़ तय करती है कि कौन-सी सेटिंग्स लागू होंगी।
हर API कुंजी एक इंजन के लिए होती है: मानक (डिफ़ॉल्ट) या उन्नत, जो कुंजी बनाते समय चुना जाता है। कुंजी केवल अपने इंजन की आवाज़ें दिखाती और इस्तेमाल करती है; दूसरे इंजन के लिए दूसरी कुंजी बनाएँ।
- मानक इंजन (
standard) — तीन मोड वाली स्टूडियो आवाज़ें, जो गति, अभिव्यक्ति और कीमत के बीच संतुलन बनाती हैं। - उन्नत इंजन (
advanced, अल्फ़ा) — इसकी अपनी आवाज़ें, जिन्हें context, setting, style और pace के ज़रिए सामान्य भाषा में निर्देशित किया जाता है। मोड लागू नहीं होते।
मानक इंजन मोड
| mode | नाम | क्रेडिट | किसके लिए सबसे अच्छा |
|---|---|---|---|
emotion डिफ़ॉल्ट |
भाव और बोली | ×1 | भावों और बोलियों के साथ तेज़, अभिव्यंजक वाणी। [laughing] और [whispering] जैसे भाव टैग समर्थित हैं। |
quality |
उच्च गुणवत्ता भाव और बोली | ×2 | अधिक समृद्ध और स्वाभाविक भाव व बोलियाँ। थोड़ा अधिक समय लगता है। भाव टैग समर्थित हैं। |
studio |
स्टूडियो गुणवत्ता | ×2 | पूर्ण वॉइस नियंत्रण के साथ साफ़, एकरूप स्टूडियो वाचन। भाव टैग नहीं। |
बिना mode वाले अनुरोध emotion मोड में चलते हैं।
वॉइस सेटिंग्स ऑब्जेक्ट
मानक इंजन की आवाज़ें
| पैरामीटर | टाइप | रेंज | डिफ़ॉल्ट | विवरण |
|---|---|---|---|---|
| mode | डोरी | emotion, quality, studio | emotion | मानक इंजन मोड। quality और studio की लागत ×2 क्रेडिट है। ऊपर इंजन और मोड देखें। |
| temperature | पूर्णांक | 0 – 100 | 25 | यह स्पीच में बदलाव और भाव-प्रकाशन को कंट्रोल करता है। कम वैल्यू से ज़्यादा स्थिर और अनुमान लगाने योग्य स्पीच मिलती है, जबकि ज़्यादा वैल्यू से विविधता, सहजता और रचनात्मक तरीके से बात कहने का अंदाज़ बढ़ता है। |
| voice_similarity | पूर्णांक | 0 – 100 | 100 | यह तय करता है कि बनाई गई स्पीच चुने गए वॉइस प्रोफ़ाइल से कितनी मिलती-जुलती है। ज़्यादा वैल्यू असली आवाज़ की पहचान को बनाए रखती हैं, जबकि कम वैल्यू टोन और बोलने के तरीके में ज़्यादा बदलाव की गुंजाइश देती हैं। |
| speed | तैरना | 0.7 – 1.2 | 1.0 | बोलने की रफ़्तार को एडजस्ट करता है। 1.0 से कम वैल्यू बोलने की रफ़्तार को धीमा करती है ताकि बात साफ़ समझ आए, जबकि 1.0 से ज़्यादा वैल्यू बोलने की रफ़्तार को बढ़ाती है। केवल studio मोड; emotion और quality में अनदेखा किया जाता है। |
| enable_emotions अप्रचलित | बूलियन | false / true | — | संगतता के लिए अब भी स्वीकार्य है, पर अब आउटपुट नहीं बदलता। इसके बजाय mode का उपयोग करें। |
| fast_mode अप्रचलित | पूर्णांक | 0, 1, or 2 | — | संगतता के लिए अब भी स्वीकार्य है, पर अब आउटपुट नहीं बदलता; emotion मोड पहले से ही तेज़ विकल्प है। रियल-टाइम ऑडियो के लिए स्ट्रीमिंग एंडपॉइंट का उपयोग करें। |
emotion और quality मोड में temperature और voice_similarity ही आवाज़ नियंत्रण हैं (सीमा के भीतर कोई भी मान वैसे ही उपयोग होता है); speed केवल studio मोड पर लागू होता है।
उन्नत इंजन की आवाज़ें
| पैरामीटर | टाइप | मान | विवरण |
|---|---|---|---|
| context | डोरी | 500 वर्णों तक | सबसे प्रभावी नियंत्रण। उच्चारण, भाव, मनोदशा या उद्देश्य बताएँ, जैसे “लेवेंटाइन बोली में एक गर्मजोशी भरा डॉक्यूमेंट्री वाचन।” |
| setting | डोरी | 500 वर्णों तक | माहौल और मनोदशा, जैसे “शांत, आत्मीय देर रात का स्टूडियो।” |
| style | डोरी | neutral, warm, energetic, serious, cheerful, poetic | समग्र प्रस्तुति शैली। |
| pace | डोरी | slow, normal, fast | बोलने की गति। |
उन्नत इंजन की आवाज़ें mode और मानक इंजन के स्लाइडर अनदेखा करती हैं, और अनुरोधित output_format लौटाती हैं। जनरेशन में मानक इंजन से थोड़ा अधिक समय लग सकता है।
वॉइस सेटिंग के नियम और सीमाएँ
- अज्ञात कुंजियाँ, अमान्य mode, style या pace, या 500 वर्णों से लंबा context/setting 400 INVALID_REQUEST के साथ अस्वीकार किया जाता है।
-
संगतता के लिए, जब अप्रचलित enable_emotions true हो, तो voice_settings में निम्न फ़ील्ड शामिल नहीं होने चाहिए:
speed,fast_mode.
कीमत
क्रेडिट = कैरेक्टर × (प्री-रिकॉर्डिंग रेट + वॉइस फ़ीस %) × मोड मल्टीप्लायर। मल्टीप्लायर क्वालिटी और स्टूडियो के लिए ×2, इमोशन के लिए ×1, और हर एडवांस्ड इंजन वॉइस के लिए ×1.5 है।
उदाहरण
curl -X POST "https://moknah.io/api/v1/tts/generate/" \
-H "Authorization: Bearer your_api_key" \
-H "Content-Type: application/json" \
-d '{
"text": "مرحبا بك في منصة مكنة",
"voice_id": 1,
"prerecording": 1,
"language": "ar",
"voice_settings": {
"mode": "emotion",
"speed": 1.0,
"temperature": 25
}
}' \
--output speech.mp3
# Advanced engine voice (voice_engine = "advanced")
curl -X POST "https://moknah.io/api/v1/tts/generate/" \
-H "Authorization: Bearer your_api_key" \
-H "Content-Type: application/json" \
-d '{
"text": "مرحبا بك في منصة مكنة",
"voice_id": 2,
"voice_settings": {
"context": "A warm documentary read in a Levantine dialect.",
"pace": "slow"
}
}' \
--output speech-advanced.mp3
import requests
response = requests.post(
"https://moknah.io/api/v1/tts/generate/",
headers={
"Authorization": "Bearer your_api_key",
"Content-Type": "application/json"
},
json={
"text": "مرحبا بك في منصة مكنة",
"voice_id": 1,
"prerecording": 1,
"language": "ar",
"voice_settings": {
"mode": "emotion",
"speed": 1.0,
"temperature": 25
}
}
)
with open("speech.mp3", "wb") as f:
f.write(response.content)
const response = await fetch(
'https://moknah.io/api/v1/tts/generate/',
{
method: 'POST',
headers: {
'Authorization': 'Bearer your_api_key',
'Content-Type': 'application/json'
},
body: JSON.stringify({
text: 'مرحبا بك في منصة مكنة',
voice_id: 1,
prerecording: 1,
language: 'ar',
voice_settings: {
mode: 'emotion',
speed: 1.0,
temperature: 25
}
})
}
);
const blob = await response.blob();
// Save or play the audio
प्रतिक्रिया
अनुरोधित output_format (डिफ़ॉल्ट MP3) में बाइनरी ऑडियो डेटा इन हेडर के साथ लौटाता है:
| हेडर | विवरण |
|---|---|
Content-Type |
output_format से मेल खाता है: mp3_* के लिए audio/mpeg, opus_* (Ogg/Opus) के लिए audio/ogg, pcm_* के लिए audio/pcm;rate=N;channels=1 (कच्चा 16-बिट little-endian, बिना हेडर)। |
गलतियाँ
| स्थिति | कोड | विवरण |
|---|---|---|
400 |
INVALID_REQUEST | अमान्य पैरामीटर (अज्ञात mode, style या pace सहित) |
401 |
UNAUTHORIZED | अमान्य API की |
402 |
INSUFFICIENT_CREDITS | पर्याप्त क्रेडिट नहीं हैं |
429 |
RATE_LIMIT_EXCEEDED | बहुत ज़्यादा अनुरोध |
API से जुड़े सवालों या समस्याओं के लिए, हमसे संपर्क करें api@moknah.io.