Dostępne10 models

API tekstu na mowę — naturalny głos AI

API textu na mowę Muapi zamienia tekst w naturalnie brzmiące nagrania za pomocą jednej integracji REST. Wybierz MiniMax, Google Gemini, ElevenLabs (w tym API Eleven v4) lub Fish Audio (API Fish Audio S2.1 Pro), aby tworzyć narrację jednym głosem albo dialogi wielu postaci.Twórz nagrania w jakości studyjnej lub w trybie turbo, regulując głos, emocje, tempo, stabilność i podobieństwo. Każdy model korzysta z tego samego asynchronicznego schematu wysyłania i sprawdzania statusu, a ceny zaczynają się od $0.015 za 1,000 znaków.

Uzyskaj klucz API tekstu na mowę Wypróbuj MiniMax Speech HD Wypróbuj Gemini Flash TTS Text-to-Speech API examples and comparison on GitHub

Tekst na mowę jest już dostępny w Muapi

Wybierz model z jednym głosem lub wieloma rozmówcami, prześlij tekst i sprawdzaj zwrócony identyfikator żądania, aby pobrać plik audio.

MiniMax Speech

Narracja jednym głosem w jakości studyjnej lub trybie turbo2 models

TTSDostępne

MiniMax

MiniMax Speech 2.6 HD

Studyjna jakość mowy, wyraźna wymowa, płynne tempo i realistyczne emocje do audiobooków, podcastów i narracji.

Text → audio

$0.13/1,000 chars

Wypróbuj model

TTSDostępne

MiniMax

MiniMax Speech 2.6 Turbo

Szybka, lekka synteza naturalnie brzmiącej mowy z regulacją prędkości, głośności, wysokości i emocji — idealna do błyskawicznego tworzenia nagrań.

Text → audioSzybki

$0.07/1,000 chars

Wypróbuj model

Gemini TTS

Ekspresyjny dialog wielu rozmówców z kontrolą głosu i tonu4 models

TTSDostępne

Google Gemini

Gemini 3.1 Flash TTS

Ekonomiczna synteza dialogów wielu rozmówców z odrębnymi głosami, akcentami, emocjami i znacznikami tonu, takimi jak [whispers].

Dialogue → audioSzybki

$0.035/1,000 chars

Wypróbuj model

TTSDostępne

Google Gemini

Gemini 2.5 Pro TTS

Wysokiej klasy synteza dialogów wielu rozmówców do audiobooków, dialogów filmowych i długich narracji, zapewniająca wierne brzmienie.

Dialogue → audio

$0.035/1,000 chars

Wypróbuj model

TTSnew

Google Gemini

Dialogue → audioSzybki

$0.015/1,000 chars

Wypróbuj model

TTSnew

Google Gemini

Dialogue → audioSzybki

$0.01/1,000 chars

Wypróbuj model

ElevenLabs

Ekspresyjna mowa Eleven v4, szybka narracja jednym głosem i dialogi wielojęzyczne3 models

TTSDostępne

ElevenLabs

ElevenLabs TTS Turbo 2.5

Szybka synteza mowy jednym głosem z regulacją stabilności, podobieństwa i tempa mówienia do lektora, IVR i masowej produkcji narracji.

Text → audioSzybki

$0.05/1,000 chars

Wypróbuj model

TTSDostępne

ElevenLabs

ElevenLabs Tekst na dialog V3

Wielojęzyczny dialog wielu rozmówców na podstawie uporządkowanego scenariusza, z osobnym ID głosu dla każdej postaci i naturalną wymianą kwestii.

Dialogue → audio

$0.10/1,000 chars

Wypróbuj model

TTSnew

ElevenLabs

Eleven v4

Synteza tekstu na mowę Eleven v4 ElevenLabs do ekspresyjnej narracji jednym głosem: do 2,000 znaków na żądanie, za $0.08/1,000 characters, wynik w formacie MP3.

Text → audio

$0.08/1,000 chars

Wypróbuj model

Fish Audio S2.1 Pro

Długa narracja do 10,000 znaków w jednym żądaniu1 models

TTSnew

Fish Audio

Fish Audio S2.1 Pro

Synteza mowy z długiego tekstu: do 10 000 znaków w jednym żądaniu, rozliczana po $15 za 1 mln bajtów UTF-8 (około $0.015 za 1 000 znaków w języku angielskim); wynik otrzymasz w formacie MP3.

Text → audio

$15/1M UTF-8 bytes

Wypróbuj model

Czym jest API tekstu na mowę?

API textu na mowę (TTS) zamienia tekst pisany na nagranie audio za pomocą jednego żądania HTTP. Prześlij tekst, wybierz głos i sposób interpretacji, a otrzymasz plik do pobrania — bez budowania własnego procesu obróbki dźwięku.

Muapi udostępnia aktywne endpointy TTS w jednym, ujednoliconym schemacie REST: jeden klucz API, jeden proces wysyłania żądania i sprawdzania wyniku oraz rozliczenie za użycie. Wybierz narrację jednym głosem do lektora i IVR (w tym API Eleven v4 i Fish Audio S2.1 Pro) albo dialog wielu rozmówców do postaci, podcastów i audiobooków.

Możliwości syntezy mowy

Dialog wielu rozmówców

Gemini TTS i ElevenLabs Text to Dialogue V3 przypisują różne głosy, akcenty i sposoby interpretacji kolejnym kwestiom w scenariuszu.

Emocje i ton w tekście

Modele Gemini obsługują znaczniki, takie jak [whispers], [shouting] i [determination], które pozwalają sterować ekspresją w obrębie wypowiedzi.

Tryb studyjny i turbo

Wybierz MiniMax Speech 2.6 HD lub Gemini 2.5 Pro TTS, gdy liczy się wierność brzmienia, albo ich szybsze wersje, gdy ważniejsze są opóźnienie i koszt.

Regulowane parametry głosu

Dostosuj prędkość, głośność, wysokość, emocje, stabilność, podobieństwo i inne ustawienia właściwe dla modelu.

Własne i sklonowane głosy

Endpointy ElevenLabs obsługują własne ID głosu. Najpierw utwórz głos do ponownego użycia za pomocą zgodnego procesu klonowania głosu.

Czterech dostawców, jedno API

Modele MiniMax, Google Gemini, ElevenLabs i Fish Audio korzystają ze wspólnego uwierzytelniania Muapi, zadań asynchronicznych, sprawdzania wyników i rozliczeń.

Zastosowania syntezy mowy

Narracja i nagrania lektorskie

Twórz na podstawie tekstu rozdziały audiobooków, narrację do filmów, reklamy, materiały objaśniające i klipy do mediów społecznościowych.

Postacie i podcasty

Twórz rozmowy wielu prowadzących i dialogi postaci z różnymi głosami oraz wskazówkami emocjonalnymi.

IVR i dźwięk w aplikacjach

Generuj na dużą skalę komunikaty telefoniczne, powiadomienia, nagrania ułatwień dostępu i inne dynamiczne treści głosowe.

Lokalizacja

Korzystaj z wielojęzycznych dialogów i ustawień języka przy tworzeniu globalnych treści i materiałów edukacyjnych.

Porównanie modeli TTS, w tym API Eleven v4 i Fish Audio S2.1 Pro

Model	Dostawca	Cena	Najlepsze zastosowanie
MiniMax Speech 2.6 HD	MiniMax	$0.13/1,000 characters	Studyjna narracja jednym głosem
MiniMax Speech 2.6 Turbo	MiniMax	$0.07/1,000 characters	Szybkie generowanie mowy jednym głosem
ElevenLabs TTS Turbo 2.5	ElevenLabs	$0.05/1,000 characters	Masowa narracja i IVR
Gemini 3.1 Flash TTS	Google	$0.035/1,000 characters	Szybki dialog wielu rozmówców
Gemini 2.5 Pro TTS	Google	$0.035/1,000 characters	Studyjny dialog wielu rozmówców
ElevenLabs Tekst na dialog V3	ElevenLabs	$0.10/1,000 characters	Wielojęzyczne rozmowy wielu osób
Eleven v4	ElevenLabs	$0.08/1,000 characters	Ekspresyjna narracja jednym głosem, do 2,000 znaków na żądanie
Fish Audio S2.1 Pro	Fish Audio	$15/1M UTF-8 bytes (~$0.015/1,000 English characters)	Długa narracja, do 10,000 znaków na żądanie

Fish Audio S2.1 Pro rozliczany jest za bajt UTF-8: tekst angielski zajmuje około jednego bajtu na znak, a teksty w alfabetach niełacińskich — od trzech do czterech bajtów na znak.

Przykłady użycia API tekstu na mowę

Prześlij zwykły tekst lub uporządkowany dialog za pomocą klucza API Muapi, zapisz ID żądania i sprawdzaj standardowy endpoint wyników predykcji, aby uzyskać adres URL pliku audio.

Generuj mowę jednym głosem

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"}

Użyj endpointu MiniMax lub ElevenLabs do syntezy jednym głosem, podając prompt, głos i opcjonalne parametry interpretacji.

Generuj dialog 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."}]}'

Określ rozmówców i kolejność kwestii; każda kwestia wskazuje konfigurację głosu, której należy użyć.

Generuj mowę za pomocą API Eleven v4

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"}

Wyślij do 2,000 znaków w polu prompt i wybierz voice_daniel lub voice_liam; Eleven v4 kosztuje $0.08 za 1,000 characters.

Generuj długą mowę za pomocą API Fish Audio S2.1 Pro

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"}

Wyślij do 10,000 znaków w polu prompt z voice_fish_narrator; rozliczenie wynosi $15 za 1M UTF-8 bytes.

Generuj dialog 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}'

Przekaż uporządkowaną tablicę dialogu z ID głosu dla każdej kwestii, aby uzyskać wielojęzyczny wynik z wieloma rozmówcami.

Sprawdzaj wynik audio

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.

Sprawdzaj status do momentu completed, a następnie odczytaj z odpowiedzi adres URL audio do pobrania.

FAQ: API tekstu na mowę

Czym jest API tekstu na mowę?

API TTS Muapi zamienia tekst w naturalne nagrania za pomocą endpointów MiniMax, Google Gemini, ElevenLabs i Fish Audio, obsługując narrację jednym głosem oraz dialog wielu rozmówców.

Którego modelu użyć do dialogu wielu rozmówców?

Wybierz Gemini 3.1 Flash TTS lub Gemini 2.5 Pro TTS, aby korzystać z profili rozmówców i znaczników tonu, albo ElevenLabs Text to Dialogue V3 do wielojęzycznych, uporządkowanych rozmów z osobnym ID głosu dla każdej osoby.

Ile kosztuje synteza tekstu na mowę?

Ceny zaczynają się od $0.015 za 1 000 znaków w języku angielskim w przypadku Fish Audio S2.1 Pro (rozliczanie po $15 za 1 mln bajtów UTF-8), $0.035 za 1 000 znaków w przypadku Gemini 3.1 Flash i 2.5 Pro TTS, $0.05 w przypadku ElevenLabs TTS Turbo 2.5, $0.08 w przypadku Eleven v4, $0.10 w przypadku ElevenLabs Dialogue V3, $0.07 w przypadku MiniMax Turbo oraz $0.13 w przypadku MiniMax HD. Gemini 3.8 Flash i Flash Lite kosztują odpowiednio $0.015 i $0.01 za 1 000 znaków.

Jak korzystać z API Eleven v4 i jaki jest limit długości?

Wywołaj endpoint elevenlabs-v4, podając prompt (do 2 000 znaków) i voice_id o wartości voice_daniel lub voice_liam, a następnie odpytuj o identyfikator żądania, aby pobrać plik MP3. Eleven v4 kosztuje $0.08 za 1 000 znaków.

Czym jest API Fish Audio S2.1 Pro?

API Fish Audio S2.1 Pro (fish-s2-1-pro) to endpoint do syntezy mowy z długiego tekstu. Przyjmuje do 10 000 znaków w jednym żądaniu z voice_fish_narrator i zwraca plik MP3. Usługa jest rozliczana po $15 za 1 mln bajtów UTF-8, czyli około $0.015 za 1 000 znaków w języku angielskim.

Czy mogę użyć własnego lub sklonowanego głosu?

Tak. Endpointy ElevenLabs obsługują własne ID głosu ElevenLabs, a MiniMax pozwala korzystać z wytrenowanych ID głosów, jeśli dopuszcza to schemat wybranego modelu.

Jaki format audio otrzymam?

Każdy model zwraca z standardowego endpointu wyników predykcji adres URL pliku audio gotowego do osadzenia, pobrania lub użycia w procesie tworzenia wideo albo synchronizacji ruchu ust.

Jak uzyskać dostęp do modeli API tekstu na mowę?

Utwórz klucz API Muapi, wywołaj endpoint odpowiedni do tekstu i sprawdzaj zwrócone ID żądania. Dostęp do aktywnych modeli nie wymaga oczekiwania na liście.

API Eleven v4 i endpointy ElevenLabs →Porównaj Eleven v4, TTS Turbo 2.5 i Text to Dialogue V3.API Fish Audio S2.1 Pro →Długa narracja do 10,000 znaków na żądanie, rozliczana za bajt UTF-8.Poznaj ofertę Gemini TTS →Porównaj wszystkie cztery warianty Gemini TTS: 3.8 Flash, 3.8 Flash Lite, 3.1 Flash i 2.5 Pro.Poznaj klonowanie głosu →Utwórz głos do wielokrotnego użycia w zgodnych procesach syntezy mowy.Poznaj Suno Music →Generuj, remiksuj i rozwijaj utwory, gdy zamiast mowy potrzebujesz muzyki.Przeglądaj modele audio →Porównaj endpointy do syntezy mowy, muzyki, efektów dźwiękowych i konwersji wideo na audio.Poznaj modele synchronizacji ruchu ust →Połącz wygenerowaną mowę z nagraniem twarzy, aby stworzyć mówiącego awatara.

Gotowy na generowanie naturalnej mowy?

Użyj jednego klucza API Muapi do narracji, dialogów postaci, IVR, podcastów i wielojęzycznych nagrań.

Uzyskaj klucz API Wypróbuj tekst na mowę