Tillgänglig10 modeller

Text till tal-API – naturlig AI-röstgenerering

Muapis text-till-tal-API omvandlar skriven text till naturligt, mänskligt klingande ljud via en enhetlig REST-integration. Välj mellan MiniMax, Google Gemini, ElevenLabs (inklusive Eleven v4 API) och Fish Audio (Fish Audio S2.1 Pro API) för berättarröst med en röst eller dialog med flera talare.Skapa ljud i studiokvalitet eller med turbofart och justera röst, känsla, tempo, stabilitet och likhet. Samma asynkrona flöde med inskickning och statuskontroll fungerar för alla modeller. Priserna börjar på $0.015 per 1,000 characters.

Skaffa en API-nyckel för text till tal Prova MiniMax Speech HD Prova Gemini Flash TTS Text-to-Speech API examples and comparison on GitHub

Text till tal finns nu på Muapi

Välj en modell med en röst eller flera talare, skicka in ditt manus och kontrollera sedan status med det returnerade request-ID:t för att hämta ljudfilen.

MiniMax Speech

Berättarröst med en röst, i studio- och turboversioner2 modeller

TTSTillgänglig

MiniMax

MiniMax Speech 2.6 HD

Tal i studiokvalitet med tydligt uttal, jämnt tempo och realistiska känslor för ljudböcker, poddar och berättarröst.

Text → audio

$0.13/1,000 chars

Prova modellen

TTSTillgänglig

MiniMax

MiniMax Speech 2.6 Turbo

Snabbt och lättviktigt tal med naturligt ljud och justerbar hastighet, volym, tonhöjd och känsla för ljud med korta ledtider.

Text → audioSnabb

$0.07/1,000 chars

Prova modellen

Gemini TTS

Uttrycksfull dialog med flera talare och inställningar för röst och ton4 modeller

TTSTillgänglig

Google Gemini

Gemini 3.1 Flash TTS

Kostnadseffektivt tal med flera talare, distinkta röster, accenter och känslolägen samt inbäddade tonmarkörer som [whispers].

Dialogue → audioSnabb

$0.035/1,000 chars

Prova modellen

TTSTillgänglig

Google Gemini

Gemini 2.5 Pro TTS

Tal med flera talare i premiumkvalitet för ljudböcker, filmisk dialog och långa berättelser med naturtroget framförande.

Dialogue → audio

$0.035/1,000 chars

Prova modellen

TTSnew

Google Gemini

Dialogue → audioSnabb

$0.015/1,000 chars

Prova modellen

TTSnew

Google Gemini

Dialogue → audioSnabb

$0.01/1,000 chars

Prova modellen

ElevenLabs

Uttrycksfullt tal med Eleven v4, snabbt tal med en röst och flerspråkig dialog3 modeller

TTSTillgänglig

ElevenLabs

ElevenLabs TTS Turbo 2.5

Snabbt tal med en röst och justerbar stabilitet, likhet och talhastighet för voiceover, IVR och berättarröst i stor skala.

Text → audioSnabb

$0.05/1,000 chars

Prova modellen

TTSTillgänglig

ElevenLabs

ElevenLabs Text to Dialogue V3

Flerspråkig dialog med flera talare från ett strukturerat manus, med röst-ID:n för varje talare och naturligt turtagande.

Dialogue → audio

$0.10/1,000 chars

Prova modellen

TTSnew

ElevenLabs

Eleven v4

ElevenLabs Eleven v4 för uttrycksfull berättarröst med en röst: upp till 2,000 tecken per förfrågan för $0.08/1,000 characters, levererat som MP3.

Text → audio

$0.08/1,000 chars

Prova modellen

Fish Audio S2.1 Pro

Lång berättarröst på upp till 10,000 tecken per förfrågan1 modeller

TTSnew

Fish Audio

Fish Audio S2.1 Pro

Lång text-till-tal-generering: upp till 10,000 tecken per förfrågan, debiteras med $15 per 1M UTF-8 bytes (cirka $0.015/1,000 English characters) och levereras som MP3.

Text → audio

$15/1M UTF-8 bytes

Prova modellen

Vad är ett text-till-tal-API?

Ett text-till-tal-API (TTS) omvandlar skriven text till talat ljud med en enda HTTP-förfrågan. Skicka in ett manus, välj röst och framförandestil och få en nedladdningsbar ljudfil utan att bygga ett eget ljudsystem.

Muapi erbjuder aktiva TTS-endpoints via samma enhetliga REST-flöde: en API-nyckel, ett flöde för förfrågningar och statuskontroll samt betalning efter användning. Välj berättarröst med en röst för voiceover och IVR (inklusive Eleven v4 API och Fish Audio S2.1 Pro API), eller dialog med flera talare för karaktärer, poddar och ljudböcker.

Funktioner för text till tal

Dialog med flera talare

Gemini TTS och ElevenLabs Text to Dialogue V3 tilldelar olika röster, accenter och framförandestilar till repliker i ett manus.

Känslor och ton i texten

Gemini-modeller stöder inbäddade taggar som [whispers], [shouting] och [determination] för uttrycksfull styrning mitt i en replik.

Studio- och turboversioner

Välj MiniMax Speech 2.6 HD eller Gemini 2.5 Pro TTS för hög ljudtrohet, eller deras snabbare motsvarigheter när svarstid och kostnad väger tyngre.

Justerbara röstinställningar

Justera hastighet, volym, tonhöjd, känsla, stabilitet, likhet och andra modellspecifika inställningar.

Anpassade och klonade röster

ElevenLabs-endpoints tar emot ett eget röst-ID. Skapa först en återanvändbar röst med ett kompatibelt arbetsflöde för röstkloning.

Fyra leverantörer, ett API

Modeller från MiniMax, Google Gemini, ElevenLabs och Fish Audio använder samma autentisering, asynkrona uppgifter, resultatkontroll och fakturering via Muapi.

Användningsområden för text till tal

Berättarröst och voiceover

Skapa kapitel till ljudböcker, videoberättarröst, annonser, förklarande innehåll och klipp för sociala medier från manus.

Karaktärer och poddar

Skapa samtal med flera programledare och karaktärsdialog med olika röster och känslomässig regi.

IVR och appljud

Skapa telefonmeddelanden, aviseringar, tillgänglighetsljud och annat dynamiskt tal i stor skala.

Lokalisering

Använd flerspråkig dialog och språkinställningar för globalt innehåll och utbildningsmaterial.

Jämförelse av text-till-tal-modeller, inklusive Eleven v4 API och Fish Audio S2.1 Pro API

Modell	Leverantör	Pris	Passar bäst för
MiniMax Speech 2.6 HD	MiniMax	$0.13/1,000 characters	Berättarröst med en röst i studiokvalitet
MiniMax Speech 2.6 Turbo	MiniMax	$0.07/1,000 characters	Snabb generering med en röst
ElevenLabs TTS Turbo 2.5	ElevenLabs	$0.05/1,000 characters	Berättarröst i stor skala och IVR
Gemini 3.1 Flash TTS	Google	$0.035/1,000 characters	Snabb dialog med flera talare
Gemini 2.5 Pro TTS	Google	$0.035/1,000 characters	Dialog med flera talare i studiokvalitet
ElevenLabs Text to Dialogue V3	ElevenLabs	$0.10/1,000 characters	Flerspråkiga samtal med flera talare
Eleven v4	ElevenLabs	$0.08/1,000 characters	Uttrycksfull berättarröst med en röst, upp till 2,000 tecken per förfrågan
Fish Audio S2.1 Pro	Fish Audio	$15/1M UTF-8 bytes (~$0.015/1,000 English characters)	Lång berättarröst, upp till 10,000 tecken per förfrågan

Fish Audio S2.1 Pro debiteras per UTF-8-byte: engelsk text motsvarar ungefär en byte per tecken, medan icke-latinska skriftsystem använder tre till fyra byte per tecken.

Exempel på text-till-tal-API

Skicka vanlig text eller strukturerad dialog med din Muapi API-nyckel, spara request-ID:t och kontrollera sedan standard-endpointen för prediktionsresultat för att hämta ljudets URL.

Generera tal med en röst

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"}

Använd en MiniMax- eller ElevenLabs-endpoint för en röst med prompt, röst och valfria parametrar för framförandet.

Generera Gemini-dialog

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."}]}'

Ange talare och dialogrepliker i ordning. Varje replik hänvisar till den röstkonfiguration som ska användas.

Generera tal med 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"}

Skicka upp till 2,000 tecken i prompt och välj voice_daniel eller voice_liam. Eleven v4 kostar $0.08 per 1,000 characters.

Generera lång text med 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"}

Skicka upp till 10,000 tecken i prompt med voice_fish_narrator. Debitering sker med $15 per 1M UTF-8 bytes.

Generera ElevenLabs-dialog

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}'

Skicka en strukturerad dialog-array med ett röst-ID per replik för flerspråkigt resultat med flera talare.

Kontrollera ljudresultatet

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.

Kontrollera status tills den är completed och hämta sedan ljudets nedladdningsbara URL från svaret.

Vanliga frågor om text-till-tal-API

Vad är Text to Speech API?

Muapis TTS API omvandlar skriven text till naturligt ljud via endpoints från MiniMax, Google Gemini, ElevenLabs och Fish Audio för berättarröst med en röst och dialog med flera talare.

Vilken modell ska jag använda för dialog med flera talare?

Använd Gemini 3.1 Flash TTS eller Gemini 2.5 Pro TTS för talarprofiler och inbäddade tonmarkörer, eller ElevenLabs Text to Dialogue V3 för flerspråkiga, strukturerade samtal med röst-ID för varje talare.

Vad kostar text till tal?

Priserna börjar på $0.015 per 1,000 English characters för Fish Audio S2.1 Pro (debiteras med $15 per 1M UTF-8 bytes), $0.035 per 1,000 characters för Gemini 3.1 Flash och 2.5 Pro TTS, $0.05 för ElevenLabs TTS Turbo 2.5, $0.08 för Eleven v4, $0.10 för ElevenLabs Dialogue V3, $0.07 för MiniMax Turbo och $0.13 för MiniMax HD. Gemini 3.8 Flash och Flash Lite kostar $0.015 respektive $0.01 per 1,000 characters.

Hur använder jag Eleven v4 API och vilken är dess längdgräns?

Anropa endpointen elevenlabs-v4 med prompt (upp till 2,000 tecken) och voice_id voice_daniel eller voice_liam. Kontrollera sedan request-ID:t för att hämta en MP3. Eleven v4 kostar $0.08 per 1,000 characters.

Vad är Fish Audio S2.1 Pro API?

Fish Audio S2.1 Pro API (fish-s2-1-pro) är en endpoint för lång text-till-tal-generering som tar emot upp till 10,000 tecken per förfrågan med voice_fish_narrator och returnerar en MP3. Den debiteras med $15 per 1M UTF-8 bytes, vilket motsvarar cirka $0.015 per 1,000 English characters.

Kan jag använda en anpassad eller klonad röst?

Ja. ElevenLabs-endpoints tar emot ett eget ElevenLabs-röst-ID, och MiniMax stöder tränade röst-ID:n där den valda modellens schema tillåter det.

Vilket ljudformat returneras?

Varje modell returnerar en URL till en nedladdningsbar ljudfil från standard-endpointen för prediktionsresultat. Filen kan bäddas in, laddas ner eller skickas vidare till ett arbetsflöde för video eller lipsync.

Hur får jag åtkomst till Text to Speech API-modeller?

Skapa en Muapi API-nyckel, anropa endpointen som passar ditt manus och kontrollera det returnerade request-ID:t. Ingen väntelista krävs för de tillgängliga modellerna.

Eleven v4 API och ElevenLabs-endpoints →Jämför Eleven v4, TTS Turbo 2.5 och Text to Dialogue V3.Fish Audio S2.1 Pro API →Lång berättarröst på upp till 10,000 tecken per förfrågan, debiteras per UTF-8-byte.Utforska Gemini TTS-serien →Jämför alla fyra Gemini TTS-versioner: 3.8 Flash, 3.8 Flash Lite, 3.1 Flash och 2.5 Pro.Utforska röstkloning →Skapa en återanvändbar talröst för kompatibla talflöden.Utforska Suno Music →Skapa, remixa och förläng låtar när du behöver musik i stället för tal.Bläddra bland ljudmodeller →Jämför endpoints för tal, musik, ljudeffekter och video-till-ljud.Utforska lipsync-modeller →Kombinera genererat tal med en video av ett ansikte för att skapa en talande avatar.

Redo att skapa naturligt tal?

Använd en enda Muapi API-nyckel för berättarröst, karaktärsdialog, IVR, poddar och flerspråkigt ljud.

Skaffa en API-nyckel Prova text till tal