TTSTrực tiếp
MiniMaxMiniMax Speech 2.6 HD
Bài phát biểu chất lượng phòng thu với cách phát âm rõ ràng, nhịp độ mượt mà và cảm xúc chân thực dành cho sách nói, podcast và tường thuật.
Text → audio
$0.13/1,000 chars
Trực tiếp10 mô hình
API chuyển văn bản thành giọng nói - Tạo giọng nói AI tự nhiên
API chuyển văn bản thành giọng nói của Muapi chuyển đổi văn bản thành âm thanh tự nhiên như giọng người thông qua một tích hợp REST thống nhất. Chọn MiniMax, Google Gemini, ElevenLabs (bao gồm API Eleven v4) và Fish Audio (API Fish Audio S2.1 Pro) để tạo lời thuyết minh một giọng hoặc hội thoại nhiều người nói.Tạo âm thanh chất lượng phòng thu hoặc siêu tốc với các tùy chỉnh giọng nói, cảm xúc, nhịp độ, độ ổn định và độ tương đồng. Cùng một quy trình gửi yêu cầu và kiểm tra trạng thái bất đồng bộ áp dụng cho mọi model, với mức giá từ $0.015 cho mỗi 1,000 ký tự.
i
Chuyển văn bản thành giọng nói có sẵn trên Muapi
Chọn mô hình một giọng nói hoặc nhiều loa, gửi tập lệnh của bạn và thăm dò ID yêu cầu được trả về để có tệp âm thanh có thể tải xuống.
Bài phát biểu MiniMax
Tường thuật bằng một giọng nói với các tầng studio và turbo2 mô hìnhThử mẫu
TTSTrực tiếp
MiniMaxMiniMax Speech 2.6 Turbo
Lời nói nhanh, nhẹ nhàng với chất lượng tự nhiên và có thể điều chỉnh tốc độ, âm lượng, cao độ và cảm xúc để chuyển đổi âm thanh nhanh chóng.
Text → audioNhanh
$0.07/1,000 chars
TTS Song Tử
Hội thoại nhiều loa biểu cảm với điều khiển bằng giọng nói và âm sắc4 mô hìnhTTSTrực tiếp
Google Song TửFlash TTS Song Tử 3.1
Bài phát biểu của nhiều người tiết kiệm chi phí với giọng nói, trọng âm, phong cách cảm xúc và thẻ giai điệu nội tuyến khác nhau, chẳng hạn như [thì thầm].
Dialogue → audioNhanh
$0.035/1,000 chars
TTSTrực tiếp
Google Song TửGemini 2.5 Pro TTS
Giọng nói đa loa cao cấp dành cho sách nói, hội thoại điện ảnh và tường thuật dài với khả năng truyền tải có độ trung thực cao.
Dialogue → audio
$0.035/1,000 chars
TTSnew
Google Song TửDialogue → audioNhanh
$0.015/1,000 chars
TTSnew
Google Song TửDialogue → audioNhanh
$0.01/1,000 chars
ElevenLabs
Giọng nói biểu cảm Eleven v4, giọng đơn nhanh và hội thoại đa ngôn ngữ3 mô hìnhTTSTrực tiếp
ElevenLabsElevenLabs TTS Turbo 2.5
Lời nói một giọng nói nhanh với độ ổn định, độ tương tự và tốc độ nói có thể điều chỉnh được dành cho thuyết minh, IVR và tường thuật thông lượng cao.
Text → audioNhanh
$0.05/1,000 chars
TTSTrực tiếp
ElevenLabsElevenLabs chuyển văn bản thành đối thoại V3
Hội thoại nhiều người nói đa ngôn ngữ từ một tập lệnh có cấu trúc, với ID giọng nói của mỗi người nói và khả năng quay vòng giống như thật.
Dialogue → audio
$0.10/1,000 chars
TTSnew
ElevenLabsEleven v4
Chuyển văn bản thành giọng nói Eleven v4 của ElevenLabs để tạo lời thuyết minh một giọng giàu biểu cảm: tối đa 2,000 ký tự mỗi yêu cầu với giá $0.08/1,000 ký tự, trả về dưới dạng MP3.
Text → audio
$0.08/1,000 chars
Fish Audio S2.1 Pro
Thuyết minh nội dung dài tối đa 10,000 ký tự mỗi yêu cầu1 mô hìnhTTSnew
Fish AudioFish Audio S2.1 Pro
Chuyển văn bản dài thành giọng nói: tối đa 10,000 ký tự mỗi yêu cầu, tính phí $15 cho mỗi 1M byte UTF-8 (khoảng $0.015/1,000 ký tự tiếng Anh), trả về dưới dạng MP3.
Text → audio
$15/1M UTF-8 bytes
Không có mô hình nào phù hợp với bộ lọc của bạn.
API chuyển văn bản thành giọng nói là gì?
API chuyển văn bản thành giọng nói (TTS) chuyển văn bản thành âm thanh thông qua một yêu cầu HTTP duy nhất. Gửi kịch bản, chọn giọng nói và phong cách thể hiện, rồi nhận tệp âm thanh có thể tải xuống mà không cần xây dựng quy trình xử lý âm thanh phức tạp.
Muapi cung cấp các endpoint TTS trực tiếp theo cùng một mô hình REST thống nhất: một API key, một quy trình gửi yêu cầu và kiểm tra trạng thái, cùng hình thức thanh toán theo mức sử dụng. Chọn thuyết minh một giọng cho lồng tiếng và IVR (bao gồm API Eleven v4 và API Fish Audio S2.1 Pro), hoặc hội thoại nhiều người nói cho nhân vật, podcast và sách nói.
Khả năng chuyển văn bản thành giọng nói
Hội thoại nhiều người nói
Gemini TTS và ElevenLabs Text to Dialogue V3 gán giọng nói, giọng vùng miền và phong cách thể hiện riêng cho từng lượt hội thoại theo kịch bản.
Cảm xúc và sắc thái trực tiếp
Các model Gemini hỗ trợ thẻ trực tiếp như [whispers], [shouting] và [determination] để điều khiển cách thể hiện trong từng câu.
Gói phòng thu và siêu tốc
Dùng MiniMax Speech 2.6 HD hoặc Gemini 2.5 Pro TTS để có độ trung thực cao, hoặc chọn phiên bản nhanh hơn khi độ trễ và chi phí là ưu tiên.
Thông số giọng nói có thể tùy chỉnh
Điều chỉnh tốc độ, âm lượng, cao độ, cảm xúc, độ ổn định, độ tương đồng và các tùy chọn riêng khác của từng model.
Giọng tùy chỉnh và giọng nhân bản
Các endpoint ElevenLabs chấp nhận ID giọng nói tùy chỉnh. Trước tiên, hãy tạo giọng có thể tái sử dụng bằng quy trình nhân bản giọng tương thích.
Bốn nhà cung cấp, một API
Các model MiniMax, Google Gemini, ElevenLabs và Fish Audio dùng chung cơ chế xác thực Muapi, tác vụ bất đồng bộ, kiểm tra kết quả và thanh toán.
Các trường hợp sử dụng văn bản thành giọng nói
Tường thuật và lồng tiếng
Sản xuất các chương sách nói, tường thuật video, quảng cáo, giải thích và clip xã hội từ kịch bản.
Nhân vật và podcast
Kết xuất các cuộc hội thoại nhiều người chủ và đối thoại nhân vật với giọng nói và hướng cảm xúc riêng biệt.
IVR và âm thanh ứng dụng
Tạo lời nhắc trên điện thoại, thông báo, âm thanh trợ năng và giọng nói động khác trên quy mô lớn.
Bản địa hóa
Sử dụng đối thoại đa ngôn ngữ và kiểm soát ngôn ngữ cho nội dung và tài liệu học tập toàn cầu.
So sánh các model chuyển văn bản thành giọng nói, bao gồm API Eleven v4 và API Fish Audio S2.1 Pro
| người mẫu | nhà cung cấp | Giá | Tốt nhất cho |
|---|---|---|---|
| Thuyết minh một giọng chất lượng phòng thu | |||
| Tạo giọng đơn nhanh | |||
| Thuyết minh lưu lượng cao và IVR | |||
| Hội thoại nhiều người nói nhanh | |||
| Hội thoại nhiều người nói chất lượng phòng thu | |||
| Hội thoại nhiều người nói đa ngôn ngữ | |||
| Thuyết minh một giọng giàu biểu cảm, tối đa 2,000 ký tự mỗi yêu cầu | |||
| Thuyết minh nội dung dài, tối đa 10,000 ký tự mỗi yêu cầu |
Fish Audio S2.1 Pro tính phí theo byte UTF-8: văn bản tiếng Anh có khoảng một byte mỗi ký tự, trong khi hệ chữ phi Latin dùng từ ba đến bốn byte mỗi ký tự.
Ví dụ về API chuyển văn bản thành giọng nói
Gửi văn bản thuần túy hoặc đoạn hội thoại có cấu trúc bằng khóa API Muapi của bạn, lưu ID yêu cầu và thăm dò điểm cuối kết quả dự đoán tiêu chuẩn cho URL âm thanh.
Tạo giọng nói đơn
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"}Dùng endpoint giọng đơn của MiniMax hoặc ElevenLabs cùng prompt, giọng nói và các tùy chọn thể hiện không bắt buộc.
Tạo hội thoại 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."}]}'Khai báo người nói và các lượt hội thoại theo thứ tự; mỗi lượt tham chiếu cấu hình giọng nói cần dùng.
Tạo giọng nói bằng 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"}Gửi tối đa 2,000 ký tự trong prompt và chọn voice_daniel hoặc voice_liam; Eleven v4 có giá $0.08 cho mỗi 1,000 ký tự.
Tạo giọng nói dài bằng 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"}Gửi tối đa 10,000 ký tự trong prompt với voice_fish_narrator; tính phí $15 cho mỗi 1M byte UTF-8.
Tạo hội thoại 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}'Truyền vào mảng hội thoại có cấu trúc với ID giọng nói cho từng lượt để tạo đầu ra đa ngôn ngữ, nhiều người nói.
Kiểm tra kết quả âm thanh
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.
Kiểm tra đến khi trạng thái là completed, sau đó lấy URL âm thanh có thể tải xuống từ phản hồi.
Câu hỏi thường gặp về API chuyển văn bản thành giọng nói
API Text to Speech là gì?
API TTS của Muapi chuyển văn bản thành âm thanh tự nhiên thông qua các endpoint MiniMax, Google Gemini, ElevenLabs và Fish Audio, hỗ trợ thuyết minh một giọng và hội thoại nhiều người nói.
Nên dùng model nào cho hội thoại nhiều người nói?
Dùng Gemini 3.1 Flash TTS hoặc Gemini 2.5 Pro TTS để thiết lập hồ sơ người nói và thẻ sắc thái trực tiếp, hoặc ElevenLabs Text to Dialogue V3 để tạo hội thoại có cấu trúc đa ngôn ngữ với ID giọng riêng cho từng người nói.
Chi phí chuyển văn bản thành giọng nói là bao nhiêu?
Giá bắt đầu từ $0.015 cho mỗi 1,000 ký tự tiếng Anh với Fish Audio S2.1 Pro (tính phí $15 cho mỗi 1M byte UTF-8), $0.035 cho mỗi 1,000 ký tự với Gemini 3.1 Flash và 2.5 Pro TTS, $0.05 với ElevenLabs TTS Turbo 2.5, $0.08 với Eleven v4, $0.10 với ElevenLabs Dialogue V3, $0.07 với MiniMax Turbo và $0.13 với MiniMax HD. Gemini 3.8 Flash và Flash Lite có giá lần lượt là $0.015 và $0.01 cho mỗi 1,000 ký tự.
Làm cách nào để dùng API Eleven v4 và giới hạn độ dài là bao nhiêu?
Gọi endpoint elevenlabs-v4 với prompt (tối đa 2,000 ký tự) và voice_id là voice_daniel hoặc voice_liam, sau đó kiểm tra ID yêu cầu để nhận MP3. Eleven v4 có giá $0.08 cho mỗi 1,000 ký tự.
API Fish Audio S2.1 Pro là gì?
API Fish Audio S2.1 Pro (fish-s2-1-pro) là endpoint chuyển văn bản dài thành giọng nói, chấp nhận tối đa 10,000 ký tự mỗi yêu cầu với voice_fish_narrator và trả về MP3. Dịch vụ tính phí $15 cho mỗi 1M byte UTF-8, tương đương khoảng $0.015 cho mỗi 1,000 ký tự tiếng Anh.
Tôi có thể dùng giọng tùy chỉnh hoặc giọng nhân bản không?
Có. Các endpoint ElevenLabs chấp nhận ID giọng ElevenLabs tùy chỉnh, còn MiniMax hỗ trợ ID giọng đã huấn luyện khi lược đồ của model được chọn cho phép.
Âm thanh được trả về ở định dạng nào?
Mỗi model trả về URL tệp âm thanh có thể tải xuống từ endpoint kết quả dự đoán tiêu chuẩn, sẵn sàng để nhúng, tải xuống hoặc đưa vào quy trình video hay đồng bộ khẩu hình.
Làm thế nào để truy cập các model API Text to Speech?
Tạo API key Muapi, gọi endpoint phù hợp với kịch bản của bạn và kiểm tra ID yêu cầu được trả về. Không cần đăng ký danh sách chờ để dùng các model hiện có.
API Eleven v4 và các endpoint ElevenLabs →So sánh Eleven v4, TTS Turbo 2.5 và Text to Dialogue V3.API Fish Audio S2.1 Pro →Thuyết minh nội dung dài tối đa 10,000 ký tự mỗi yêu cầu, tính phí theo byte UTF-8.Khám phá dòng Gemini TTS →So sánh cả bốn gói Gemini TTS: 3.8 Flash, 3.8 Flash Lite, 3.1 Flash và 2.5 Pro.Khám phá tính năng nhân bản giọng nói →Tạo giọng nói có thể tái sử dụng cho các quy trình âm thanh tương thích.Khám phá Suno Music →Tạo, phối lại và mở rộng bài hát khi bạn cần âm nhạc thay vì giọng nói.Duyệt các model âm thanh →So sánh các endpoint giọng nói, âm nhạc, hiệu ứng âm thanh và chuyển video thành âm thanh.Khám phá các model đồng bộ khẩu hình →Ghép giọng nói được tạo với video khuôn mặt để tạo avatar biết nói.
Sẵn sàng để tạo ra lời nói tự nhiên?
Sử dụng một khóa API Muapi để tường thuật, đối thoại nhân vật, IVR, podcast và âm thanh đa ngôn ngữ.