زندگی کنید10 مدل

Text to Speech API — تولید صدای طبیعی هوش مصنوعی

API تبدیل متن به گفتار Muapi، متن نوشتاری را از طریق یکپارچه‌سازی REST واحد به صدایی طبیعی و شبیه صدای انسان تبدیل می‌کند. برای روایت تک‌گوینده یا گفت‌وگوی چندگوینده، از میان MiniMax، Google Gemini، ElevenLabs (از جمله Eleven v4 API) و Fish Audio (‏Fish Audio S2.1 Pro API) انتخاب کنید.با تنظیمات صدا، احساس، سرعت، پایداری و شباهت، خروجی‌هایی در سطح استودیو یا با سرعت توربو بسازید. الگوی ارسال و بررسی ناهمگام در همه مدل‌ها یکسان است و قیمت از $0.015 به‌ازای هر 1,000 نویسه شروع می‌شود.

یک کلید API متن به گفتار دریافت کنید MiniMax Speech HD را امتحان کنید Gemini Flash TTS را امتحان کنید Text-to-Speech API examples and comparison on GitHub

متن به گفتار در موپی به صورت زنده است

یک مدل تک صدایی یا چند بلندگو را انتخاب کنید، اسکریپت خود را ارسال کنید و شناسه درخواست برگشتی را برای یک فایل صوتی قابل دانلود نظرسنجی کنید.

سخنرانی MiniMax

گویندگی تک صدایی با سطوح استودیویی و توربو2 مدل

TTSزندگی کنید

مینی مکس

MiniMax Speech 2.6 HD

گفتار با کیفیت استودیو با تلفظ واضح، سرعت آرام، و احساسات واقعی برای کتاب‌های صوتی، پادکست‌ها و روایت.

Text → audio

$0.13/1,000 chars

مدل را امتحان کنید

TTSزندگی کنید

مینی مکس

MiniMax Speech 2.6 Turbo

گفتار سریع و سبک با کیفیت طبیعی و سرعت، حجم، زیر و بم و احساسات قابل تنظیم برای صدای سریع.

Text → audioسریع

$0.07/1,000 chars

مدل را امتحان کنید

جمینی TTS

گفت و گوی گویا با چند سخنران با کنترل های صدا و لحن4 مدل

TTSزندگی کنید

گوگل جمینی

Gemini 3.1 Flash TTS

سخنرانی چند گوینده مقرون به صرفه با صداهای متمایز، لهجه ها، سبک های احساسی، و برچسب های لحن درون خطی مانند [نجواها].

Dialogue → audioسریع

$0.035/1,000 chars

مدل را امتحان کنید

TTSزندگی کنید

گوگل جمینی

Gemini 2.5 Pro TTS

سخنرانی چند بلندگوی ممتاز برای کتاب‌های صوتی، گفت‌وگوهای سینمایی، و روایت طولانی با ارائه وفاداری بالا.

Dialogue → audio

$0.035/1,000 chars

مدل را امتحان کنید

TTSnew

گوگل جمینی

Dialogue → audioسریع

$0.015/1,000 chars

مدل را امتحان کنید

TTSnew

گوگل جمینی

Dialogue → audioسریع

$0.01/1,000 chars

مدل را امتحان کنید

Eleven Labs

گفتار بیانی Eleven v4، گفتار سریع تک‌گوینده و گفت‌وگوی چندزبانه3 مدل

TTSزندگی کنید

Eleven Labs

ElevenLabs TTS Turbo 2.5

گفتار سریع تک صدایی با ثبات، شباهت و نرخ گفتار قابل تنظیم برای صدا، تلفن گویا، و روایت با توان بالا.

Text → audioسریع

$0.05/1,000 chars

مدل را امتحان کنید

TTSزندگی کنید

Eleven Labs

ElevenLabs Text to Dialogue V3

گفتگوی چند زبانه چند زبانه از یک اسکریپت ساختاریافته، با شناسه‌های صوتی برای هر گوینده و نوبت‌گیری واقعی.

Dialogue → audio

$0.10/1,000 chars

مدل را امتحان کنید

TTSnew

Eleven Labs

Eleven v4

تبدیل متن به گفتار Eleven v4 از ElevenLabs برای روایت بیانی تک‌گوینده: حداکثر 2,000 نویسه در هر درخواست با هزینه $0.08/1,000 نویسه، با خروجی MP3.

Text → audio

$0.08/1,000 chars

مدل را امتحان کنید

Fish Audio S2.1 Pro

روایت بلند تا سقف 10,000 نویسه در هر درخواست1 مدل

TTSnew

Fish Audio

Fish Audio S2.1 Pro

تبدیل متن بلند به گفتار: حداکثر 10,000 نویسه در هر درخواست، با هزینه $15 به‌ازای 1M بایت UTF-8 (حدود $0.015/1,000 نویسه انگلیسی) و خروجی MP3.

Text → audio

$15/1M UTF-8 bytes

مدل را امتحان کنید

API متن به گفتار چیست؟

API تبدیل متن به گفتار (TTS) متن نوشتاری را با یک درخواست HTTP به صدای گفتاری تبدیل می‌کند. متن را ارسال کنید، صدا و سبک اجرا را برگزینید و فایل صوتی قابل‌دانلود را بدون ساخت خط لوله مهندسی صدا دریافت کنید.

Muapi نقاط پایانی فعال TTS را با الگوی یکپارچه REST ارائه می‌کند: یک API key، یک روند ارسال و بررسی درخواست و پرداخت به‌ازای مصرف. برای نریشن و IVR، روایت تک‌گوینده (از جمله Eleven v4 API و Fish Audio S2.1 Pro API) یا برای شخصیت‌ها، پادکست‌ها و کتاب‌های صوتی، گفت‌وگوی چندگوینده را انتخاب کنید.

قابلیت های متن به گفتار

گفت‌وگوی چندگوینده

Gemini TTS و ElevenLabs Text to Dialogue V3 برای نوبت‌های گفت‌وگوی نوشته‌شده، صداها، لهجه‌ها و سبک‌های اجرای متمایز اختصاص می‌دهند.

احساس و لحن درون‌متنی

مدل‌های Gemini از برچسب‌های درون‌متنی مانند [whispers]، [shouting] و [determination] برای کنترل بیان در هر جمله پشتیبانی می‌کنند.

سطوح استودیو و توربو

برای وفاداری صوتی از MiniMax Speech 2.6 HD یا Gemini 2.5 Pro TTS استفاده کنید؛ وقتی تأخیر و هزینه مهم‌تر است، سراغ نسخه‌های سریع‌تر آن‌ها بروید.

پارامترهای قابل‌تنظیم صدا

سرعت، بلندی صدا، زیر و بمی، احساس، پایداری، شباهت و دیگر کنترل‌های ویژه هر مدل را تنظیم کنید.

صداهای سفارشی و شبیه‌سازی‌شده

نقاط پایانی ElevenLabs یک voice ID سفارشی می‌پذیرند. ابتدا با روند سازگار شبیه‌سازی صدا، صدایی قابل‌استفاده مجدد بسازید.

چهار ارائه‌دهنده، یک API

مدل‌های MiniMax، Google Gemini، ElevenLabs و Fish Audio از احراز هویت Muapi، وظایف ناهمگام، بررسی نتیجه و صورتحساب مشترک استفاده می‌کنند.

موارد استفاده از متن به گفتار

گویندگی و صداگذاری

فصل‌های کتاب صوتی، روایت ویدیویی، تبلیغات، توضیح‌دهنده و کلیپ‌های اجتماعی را از روی اسکریپت تولید کنید.

شخصیت ها و پادکست ها

مکالمات چند میزبان و دیالوگ شخصیت ها را با صداهای متمایز و جهت احساسی ارائه دهید.

تلفن گویا و برنامه صوتی

پیام‌های تلفن، اعلان‌ها، صدای دسترسی و سایر گفتارهای پویا را در مقیاس تولید کنید.

بومی سازی

از گفتگوی چندزبانه و کنترل‌های زبانی برای محتوای جهانی و مواد آموزشی استفاده کنید.

مقایسه مدل‌های تبدیل متن به گفتار، از جمله Eleven v4 API و Fish Audio S2.1 Pro API

مدل	ارائه دهنده	قیمت	بهترین برای

هزینه Fish Audio S2.1 Pro بر اساس بایت UTF-8 محاسبه می‌شود: هر نویسه متن انگلیسی حدود یک بایت است، درحالی‌که نویسه‌های خط‌های غیرلاتین سه تا چهار بایت مصرف می‌کنند.

نمونه های API متن به گفتار

متن ساده یا گفتگوی ساختاریافته را با کلید Muapi API خود ارسال کنید، شناسه درخواست را ذخیره کنید، و نقطه پایانی پیش‌بینی استاندارد را برای URL صوتی نظرسنجی کنید.

تولید گفتار تک‌گوینده

curl -X POST https://api.muapi.ai/api/v1/minimax-speech-2.6-hd \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to Muapi. Your workspace is ready.","voice_id":"Friendly_Person","speed":1,"emotion":"happy","format":"mp3"}'

# Response: {"request_id":"REQUEST_ID"}

از نقطه پایانی تک‌گوینده MiniMax یا ElevenLabs همراه با prompt، صدا و پارامترهای اختیاری اجرا استفاده کنید.

تولید گفت‌وگوی Gemini

curl -X POST https://api.muapi.ai/api/v1/gemini-3-1-flash-tts \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"speakers":[{"speaker_id":"Speaker 1","voice_name":"Kore","accent":"Neutral","style":"Empathetic","pace":"Natural"},{"speaker_id":"Speaker 2","voice_name":"Puck","accent":"British (RP)","style":"Deadpan","pace":"Natural"}],"dialogue_turns":[{"speaker_id":"Speaker 1","text":"[warmly] Welcome to the show."},{"speaker_id":"Speaker 2","text":"[whispers] Let us begin."}]}'

گویندگان و نوبت‌های مرتب گفت‌وگو را تعریف کنید؛ هر نوبت به پیکربندی صدای مورد استفاده ارجاع می‌دهد.

تولید گفتار با Eleven v4 API

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-v4 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the future of voice. This is Eleven v4, speaking with natural rhythm and emotion.","voice_id":"voice_daniel"}'

# Response: {"request_id":"REQUEST_ID"}

حداکثر 2,000 نویسه در prompt ارسال کنید و voice_daniel یا voice_liam را برگزینید؛ هزینه Eleven v4 برابر $0.08 به‌ازای هر 1,000 نویسه است.

تولید گفتار بلند با Fish Audio S2.1 Pro API

curl -X POST https://api.muapi.ai/api/v1/fish-s2-1-pro \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the show. Today we look at how voice models have changed the way we tell stories.","voice_id":"voice_fish_narrator"}'

# Response: {"request_id":"REQUEST_ID"}

حداکثر 10,000 نویسه در prompt همراه با voice_fish_narrator ارسال کنید؛ هزینه $15 به‌ازای 1M بایت UTF-8 است.

تولید گفت‌وگوی ElevenLabs

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-text-to-dialogue-v3 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"dialogue":[{"text":"Welcome to the show.","voice_id":"ZQe5CZNOzWyzPSCn5a3c"},{"text":"Let us begin.","voice_id":"EXAVITQu4vr4xnSDxMaL"}],"language_code":"en","stability":0.5}'

برای خروجی چندگوینده چندزبانه، آرایه گفت‌وگوی ساختاریافته‌ای با voice ID برای هر نوبت ارسال کنید.

بررسی نتیجه صوتی

curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result \
  -H "x-api-key: YOUR_API_KEY"

# Read the generated audio URL after status becomes completed.

تا زمانی که status به completed برسد بررسی کنید، سپس URL صوتی قابل‌دانلود را از پاسخ بخوانید.

پرسش و پاسخ متن به گفتار API

API تبدیل متن به گفتار چیست؟

API تبدیل متن به گفتار Muapi با استفاده از نقاط پایانی MiniMax، Google Gemini، ElevenLabs و Fish Audio، متن نوشتاری را برای روایت تک‌گوینده و گفت‌وگوی چندگوینده به صدایی طبیعی تبدیل می‌کند.

برای گفت‌وگوی چندگوینده از کدام مدل استفاده کنم؟

برای نمایه گویندگان و برچسب‌های لحن درون‌متنی از Gemini 3.1 Flash TTS یا Gemini 2.5 Pro TTS استفاده کنید؛ برای گفت‌وگوهای ساختاریافته چندزبانه با voice ID جداگانه برای هر گوینده، ElevenLabs Text to Dialogue V3 را انتخاب کنید.

هزینه تبدیل متن به گفتار چقدر است؟

قیمت Fish Audio S2.1 Pro از $0.015 به‌ازای هر 1,000 نویسه انگلیسی شروع می‌شود (محاسبه بر اساس $15 به‌ازای 1M بایت UTF-8). هزینه Gemini 3.1 Flash و 2.5 Pro TTS برابر $0.035 به‌ازای هر 1,000 نویسه، ElevenLabs TTS Turbo 2.5 برابر $0.05، Eleven v4 برابر $0.08، ElevenLabs Dialogue V3 برابر $0.10، MiniMax Turbo برابر $0.07 و MiniMax HD برابر $0.13 است. هزینه Gemini 3.8 Flash و Flash Lite به‌ترتیب $0.015 و $0.01 به‌ازای هر 1,000 نویسه است.

چطور از Eleven v4 API استفاده کنم و محدودیت طول آن چقدر است؟

نقطه پایانی elevenlabs-v4 را با prompt (حداکثر 2,000 نویسه) و voice_id برابر voice_daniel یا voice_liam فراخوانی کنید، سپس request ID را بررسی کنید تا MP3 دریافت شود. هزینه Eleven v4 برابر $0.08 به‌ازای هر 1,000 نویسه است.

Fish Audio S2.1 Pro API چیست؟

Fish Audio S2.1 Pro API (fish-s2-1-pro) نقطه پایانی تبدیل متن بلند به گفتار است که در هر درخواست حداکثر 10,000 نویسه را با voice_fish_narrator می‌پذیرد و MP3 برمی‌گرداند. هزینه آن $15 به‌ازای 1M بایت UTF-8 است که حدود $0.015 به‌ازای هر 1,000 نویسه انگلیسی می‌شود.

آیا می‌توانم از صدای سفارشی یا شبیه‌سازی‌شده استفاده کنم؟

بله. نقاط پایانی ElevenLabs یک voice ID سفارشی ElevenLabs می‌پذیرند و MiniMax در مدل‌هایی که schema انتخاب‌شده اجازه دهد از voice IDهای آموزش‌دیده پشتیبانی می‌کند.

چه قالبی برای فایل صوتی برگردانده می‌شود؟

هر مدل URL فایل صوتی قابل‌دانلود را از نقطه پایانی استاندارد نتیجه پیش‌بینی برمی‌گرداند؛ این فایل آماده جاسازی، دانلود یا استفاده در فرایند ویدئو یا همگام‌سازی لب است.

چطور به مدل‌های API تبدیل متن به گفتار دسترسی پیدا کنم؟

یک API key در Muapi بسازید، نقطه پایانی متناسب با متن خود را فراخوانی کنید و request ID برگشتی را بررسی کنید. برای مدل‌های فعال نیازی به فهرست انتظار نیست.

Eleven v4 API و نقاط پایانی ElevenLabs ←Eleven v4، TTS Turbo 2.5 و Text to Dialogue V3 را مقایسه کنید.Fish Audio S2.1 Pro API ←روایت بلند تا سقف 10,000 نویسه در هر درخواست، با محاسبه هزینه بر اساس بایت UTF-8.مدل‌های Gemini TTS را ببینید ←هر چهار سطح Gemini TTS را مقایسه کنید: 3.8 Flash، 3.8 Flash Lite، 3.1 Flash و 2.5 Pro.قابلیت شبیه‌سازی صدا را ببینید ←برای فرایندهای سازگار گفتار، صدایی قابل‌استفاده مجدد بسازید.موسیقی Suno را ببینید ←وقتی به‌جای گفتار به موسیقی نیاز دارید، آهنگ بسازید، ریمیکس کنید یا گسترش دهید.مدل‌های صوتی را مرور کنید ←نقاط پایانی گفتار، موسیقی، جلوه‌های صوتی و تبدیل ویدئو به صدا را مقایسه کنید.مدل‌های همگام‌سازی لب را ببینید ←گفتار تولیدشده را با ویدئوی چهره ترکیب کنید تا آواتاری سخنگو بسازید.

برای تولید گفتار طبیعی آماده اید؟

از یک کلید Muapi API برای روایت، گفتگوی شخصیت ها، تلفن گویا، پادکست ها و صدای چند زبانه استفاده کنید.

یک کلید API دریافت کنید متن به گفتار را امتحان کنید