Часто задаваемые вопросы
Какая задержка между запросом и ответом?
Типичная скорость синтеза — около 25 символов в секунду. Короткие фразы генерируются за несколько секунд, длинные тексты — в реальном времени. Запросы обрабатываются последовательно, поэтому при высокой нагрузке может возникнуть очередь, увеличивающая время ожидания ответа.
Можно ли генерировать аудио параллельно?
Запросы обрабатываются последовательно, один за другим. Это означает, что при одновременной отправке нескольких запросов они будут стоять в очереди. Для ускорения процесса рекомендуется объединять короткие тексты в один запрос.
Как обработать символы Unicode?
API принимает текст в формате JSON, где поле input поддерживает стандартные символы Unicode. Просто передайте ваш текст в кодировке UTF-8. Пробелы и знаки препинания также считаются символами и учитываются при расчете стоимости и лимитов.
Есть ли лимит на длину аудиофайла?
Лимит накладывается на входной текст: до 4096 символов за один запрос. Для более длиных текстов необходимо разбить их на части, сгенерировать аудио для каждой и объединить файлы. Длительность самого аудиофайла не ограничена.
Как определить язык текста автоматически?
Если поле language не указано, язык определяется по скрипту текста. Текст на латинице по умолчанию считается английским. Для других языков с латинским алфавитом (например, немецкого или французского) обязательно укажите код языка явно.
Можно ли использовать API в фоновом режиме?
Да, API полностью асинхронный. Вы отправляете POST-запрос и получаете аудиофайл в ответе. Это идеально подходит для фоновых задач в бэкенде ваших голосовых помощников или чат-ботов, где не требуется мгновенный ответ пользователю.
Какие браузеры поддерживают аудио?
Вы можете выбирать формат вывода: mp3, wav, opus, flac или pcm. Эти форматы поддерживаются большинством современных браузеров и плееров. Для максимальной совместимости с голосовыми помощниками рекомендуется использовать mp3 или opus.
Как кэшировать сгенерированные файлы?
API не хранит сгенерированные файлы на своей стороне. Вы получаете их в ответе на запрос. Для кэширования вам необходимо сохранять полученные аудиофайлы на своем сервере или в облачном хранилище, используя уникальный идентификатор или хеш текста.
Можно ли менять голос во время диалога?
Да, вы можете выбирать любой из 8 доступных голосов для каждого отдельного запроса. Это позволяет динамически менять тональность и стиль речи в зависимости от контекста диалога, не ограничиваясь одним предустановленным вариантом.
Как обрабатывать ошибки сети?
Если синтез не удался, вы получите соответствующий статус ошибки. При ошибке списания не происходит: если синтез не удался, Charge возвращается полностью. Рекомендуется реализовать повторные попытки запроса с экспоненциальной задержкой.
Требуется ли постоянное подключение?
Нет, постоянное соединение не требуется. API работает по протоколу HTTP. Вы отправляете запрос, получаете аудиофайл и закрываете соединение. Это стандартный REST API, который легко интегрировать в любые серверные архитектуры без WebSocket.
Можно ли использовать один ключ для разных серверов?
Да, у вас один активный ключ на аккаунт. Вы можете использовать его на любом количестве серверов или устройств. Если ключ скомпрометирован, вы можете выпустить новый, и старый перестанет действовать мгновенно.
Как отследить расход символов?
В личном кабинете на странице /get-api-key/ отображается текущий баланс, количество оставшихся символов и история использования. Вы также можете отслеживать расход самостоятельно, учитывая, что цена составляет $0.01 за 1000 символов.
Поддерживается ли массовая генерация?
Да, API поддерживает массовую генерацию. Вы можете отправлять запросы последовательно или параллельно, соблюдая лимиты (60 запросов в минуту). Для длинных текстов разбивайте их на части по 4096 символов и объединяйте результаты.
Архитектура генерации аудио
Наш API для голосовых помощников построен на простой клиент-серверной модели. Вы отправляете текст через HTTPS, а сервер возвращает готовый аудиофайл. Это избавляет от необходимости разворачивать сложные TTS-движки на ваших серверах и позволяет сосредоточиться на логике чат-бота.
Вся генерация происходит облачно. Вы используете стандартные HTTP-запросы, которые легко интегрируются в любой бэкенд. Такой подход снижает нагрузку на ваши ресурсы и ускоряет запуск новых голосовых функций.
Клиент-серверная модель
Мы берем на себя вычислительные затраты. Ваш код просто формирует JSON-запрос с параметрами модели, голоса и скорости. Сервер обрабатывает его и возвращает результат. Это стандартный REST API, совместимый с официальными SDK OpenAI при смене base_url.
- Только один активный API-ключ на аккаунт для простоты управления.
- Использование стандартных библиотек HTTP без дополнительных зависимостей.
Отправка текста по HTTPS
Текст отправляется в теле POST-запроса на endpoint /v1/audio/speech. Поддерживается до 4096 символов за один запрос. Для длинных диалогов логика разбиения на фрагменты остается на стороне вашего клиента.
- Формат данных: JSON.
- Лимит: 4096 символов на один запрос.
Получение бинарного ответа
В ответ вы получаете бинарные данные аудиофайла. Формат выбирается вами: MP3, WAV, OPUS, FLAC или PCM. Файл можно сразу передавать в аудиоплеер вашего голосового помощника без промежуточного сохранения на диск.
- Форматы: mp3, wav, opus, flac, pcm.
- Аудио возвращается сразу, не сохраняется на наших серверах.
Определение языка и акцента
API автоматически определяет язык по используемому алфавиту, но для латиницы по умолчанию выбирается английский. Чтобы избежать ошибок распознавания в мультиязычных сценариях, передавайте параметр language с ISO-кодом. Это гарантирует корректную интонацию для специфичных акцентов.
Автоматическое распознавание скрипта
Система анализирует символы во входном тексте. Кириллица или арабская вязь определяются мгновенно, однако текст на латинице без указания языка будет озвучен как английский.
Ручное указание языка
Явный параметр language переопределяет эвристику. Это критично для текстов на испанском или польском, написанных латиницей, чтобы интонация соответствовала целевому языку, а не английской норме.
- Поддерживается 23 языка, включая русский, китайский, немецкий и турецкий.
Использование 8 предустановленных голосов
Любой из 8 голосов адаптируется под указанный язык. Женские (Aria, Nova, Luna, Sage) и мужские (Felix, Milo, Atlas, Orion) варианты имеют разные тембры и манеру речи, но не поддерживают теги эмоций.
- Aria: теплый повествовательный тон.
- Felix: энергичный промо-голос.
- Atlas: нейтральный новостной стиль.
Обработка длинных диалогов
Для длинных сценариев разбивайте текст на части до 4096 символов. Это предотвращает ошибки API и позволяет генерировать аудио фрагментами. Соединяйте полученные файлы в единый поток для естественного звучания диалога.
Этот подход сохраняет контекст и позволяет гибко управлять ресурсами приложения. Вы контролируете процесс на каждом этапе, избегая перегрузки сети.
Логика разбивки текста
Разделяйте текст на фрагменты по 4096 символов. Учитывайте пробелы и пунктуацию, так как они входят в лимит.
Генерируйте каждый фрагмент отдельно и объединяйте их в последовательности.
- Максимум 4096 символов на запрос
- Учет пробелов и знаков препинания
- Объединение аудиофайлов в цепочку
Порядок генерации фрагментов
Запросы обрабатываются последовательно. Ожидайте завершения предыдущего фрагмента перед отправкой следующего.
Это гарантирует сохранение порядка и целостности аудио.
- Последовательная обработка запросов
- Очереди при высокой нагрузке
- Сохранение порядка фрагментов
Управление памятью приложения
Храните сгенерированные фрагменты во временной памяти или на диске.
Освобождайте ресурсы после объединения в единый файл.
- Временное хранение фрагментов
- Очистка памяти после объединения
- Эффективное использование ресурсов
Форматы и совместимость
API принимает запросы с указанием формата вывода, что позволяет адаптировать аудио под конкретные требования ваших голосовых помощников и чат-ботов. Вы выбираете между MP3, WAV, OPUS, FLAC или PCM в зависимости от баланса качества, размера файла и требований вашего бэкенда.
Все форматы возвращают готовый бинарный файл, который можно сразу воспроизводить в клиентских приложениях.
Поддержка MP3 и WAV
MP3 обеспечивает сжатие с потерями, что делает его идеальным для большинства мобильных приложений и веб-интерфейсов. WAV сохраняет исходное качество без сжатия, что удобно для локального тестирования или интеграции с системами, требующими несжатого PCM-потока.
Оба формата широко поддерживаются всеми популярными медиаплеерами и библиотеками декодирования в iOS, Android и JavaScript-средах.
- MP3: оптимальное соотношение размера и совместимости.
- WAV: полное качество, удобно для отладки и локальных тестов.
Использование OPUS для экономии трафика
Формат OPUS предлагает высокое качество звука при значительно меньшем размере файла по сравнению с MP3 и WAV. Это критически важно для голосовых помощников, работающих в условиях ограниченного мобильного интернета или низкого заряда батареи.
OPUS эффективно сжимает речевой контент, сохраняя естественность интонаций и тембра голосов Aria, Nova или Atlas.
- Минимальный размер файла для экономии трафика.
- Высокое качество сжатия, подходящее для мобильных устройств.
PCM для прямой обработки аудио
PCM возвращает несжатый сырой аудио поток, который полезен, если ваш бэкенд планирует применять дополнительную обработку: шумоподавление, изменение скорости без изменения тона или наложение эффектов.
Используйте PCM, если ваше приложение требует точного контроля над каждым сэмплом аудио или если целевая платформа не поддерживает декодирование MP3/WAV нативно.
- Сырые данные для постобработки.
- Максимальный контроль над аудиопотоком на стороне клиента.
Лимиты и производительность
API TTS для голосовых помощников имеет четкие технические ограничения, которые важно учитывать при проектировании архитектуры. Понимание лимитов и скорости генерации помогает избежать задержек в диалогах и оптимизировать нагрузку на сервер.
Ограничение 4096 символов
Каждый запрос API принимает текст длиной не более 4096 символов, включая пробелы и знаки препинания. Для длинных сообщений или сценариев необходимо разбивать текст на части, генерировать аудио для каждой отдельно, а затем объединять их в один файл.
Скорость генерации в реальном времени
Типичная скорость генерации составляет около 25 символов текста на одну секунду аудио. Короткие фразы могут обрабатываться несколько секунд, что следует учитывать при проектировании отклика голосового помощника.
Очереди запросов при нагрузке
Запросы обрабатываются последовательно, что означает наличие очереди при высокой нагрузке. Если система получает много одновременных запросов, время ожидания может увеличиться. Лимит составляет 60 запросов в минуту на ключ (10 до первого пополнения).
Интеграция с бекендом
Интеграция требует надежного хранения ключа tts-... в защищенном переменном окружении бэкенда. Один активный ключ управляет всеми запросами, поэтому его утечка сразу влияет на аккаунт.
При сетевых сбоях API возвращает стандартные HTTP-ошибки. Важно обрабатывать временные недоступности, так как серверы могут быть временно перегружены.
Хранение API ключа
Используйте переменные окружения, а не хардкод. Ключ один на аккаунт; при компрометации выпустите новый через панель, старый станет недействительным мгновенно.
Ключ передается в заголовке Authorization: Bearer tts-.... Убедитесь, что он не попадает в логи клиентских приложений или публичные репозитории.
- Используйте .env файлы для разработки и секреты CI/CD для продакшена.
- Храните ключ в защищенном хранилище, доступном только бэкенду.
Обработка ошибок сети
API возвращает код состояния 4xx или 5xx при сбоях. Неверный ключ вернет 401, превышение лимита — 429. Проверяйте статус-код перед парсингом JSON.
В случае временного сбоя сети или тайм-аута сервера, ошибка не списывает баланс. Вы можете безопасно повторить запрос без риска двойной оплаты.
- Код 401: Неверный или отсутствующий ключ.
- Код 429: Превышен лимит 60 запросов в минуту.
- Код 400: Неверный формат JSON или отсутствующие поля.
Повторные попытки запросов
Реализуйте экспоненциальную задержку (exponential backoff) при повторных запросах. Это снижает нагрузку на сервер API во время пиковых нагрузок.
Поскольку запросы обрабатываются последовательно, при высокой нагрузке может возникнуть очередь. Дайте приложению время на обработку ответа перед следующим вызовом.
- Установите тайм-аут запроса не менее 30 секунд.
- Повторяйте запросы только при сетевых ошибках или 5xx статусах.
- Избегайте бесконечных циклов повторных попыток без ограничения.
Безопасность данных
Безопасность данных при интеграции VoiceBase API для голосовых помощников строится на прозрачности и минимизации рисков. Мы используем стандартные протоколы передачи данных, чтобы вы могли сосредоточиться на логике бота, а не на инфраструктуре.
Ваш текст используется исключительно для генерации аудиофайла. Мы не сохраняем исходные фразы и не используем их для обучения моделей, что гарантирует конфиденциальность диалогов с вашими пользователями.
Передача по HTTPS
Все запросы к API отправляются по защищенному протоколу HTTPS. Это обеспечивает шифрование данных в процессе передачи от вашего сервера к нашим мощностям, защищая текст и ключи API от перехвата.
Отсутствие сохранения текста
Сгенерированный аудиофайл возвращается в ответе и не сохраняется на наших серверах. Исходный текст также не используется для обучения или анализа после создания аудио, что соответствует принципам приватности.
Анонимизация метаданных
Мы храним только метаданные запросов (время, количество символов, статус) для выставления счетов. Эти данные необходимы для корректного расчета тарифов и не содержат личной информации или содержимого диалогов.

Тестирование в стейджинге
Тестирование API в стейджинге позволяет безопасно проверить качество синтеза речи перед запуском в продакшн. Вы можете отправить тестовые запросы, оценить звучание голосов и убедиться, что интеграция работает корректно, не тратя реальные средства.
Используйте пробный кредит для первых тестов и локальной генерации аудио. Это поможет отладить логику разбивки длинных диалогов и проверить обработку ошибок без риска превышения лимитов.
Использование пробного кредита
После входа через Google вы получаете 0,50 $ кредита, которого хватит примерно на 50 000 символов. Эти средства действуют 7 дней и позволяют протестировать разные голоса и форматы без привязки карты.
Если синтез завершился ошибкой, сумма возвращается автоматически. Это делает тестирование полностью безопасным: вы платите только за успешно сгенерированные аудиофайлы.
- Кредит дается при входе через Google
- Доступно около 50 000 символов
- Срок действия — 7 дней
- Неудачные запросы бесплатны
Локальная генерация аудио
Вы можете сохранять полученные аудиофайлы локально и прослушивать их в разных условиях. Это полезно для оценки естественности интонаций и скорости речи в контексте вашего приложения.
Используйте формат MP3 для совместимости или WAV для высокой точности. Скорость генерации составляет примерно 25 символов в секунду, что позволяет быстро проверять короткие фразы.
- Сохраняйте файлы для локального прослушивания
- Выбирайте MP3 или WAV формат
- Скорость: ~25 символов в секунду
Проверка интеграции перед продакшеном
Протестируйте обработку ошибок сети и повторные попытки запросов. Убедитесь, что ваше приложение корректно обрабатывает метаданные запросов и статусы синтеза.
Проверьте логику разбивки текста на части до 4096 символов. Убедитесь, что аудиофайлы корректно склеиваются и воспроизводятся как единый диалог без разрывов.
- Проверьте обработку сетевых ошибок
- Тестируйте разбиение длинных текстов
- Убедитесь в корректном склеивании аудио
Масштабирование проекта
Когда приложение растет, важно понимать, как API обрабатывает нагрузку. Мы не предлагаем корпоративных SLA или выделенных серверов, поэтому масштабирование строится на грамотном управлении ключами и запросами. Это позволяет избежать простоев и сохранить стабильность диалогов с пользователем.
Увеличение лимитов запросов
Стандартный лимит составляет 60 запросов в минуту на один ключ. Если вы превысили его, синхронизация замедлится, и запросы встанут в очередь. Обработка идет последовательно, поэтому при высокой нагрузке время ответа может увеличиться.
Генерация нескольких ключей
У вас может быть активен только один ключ в моменте, но вы можете выпустить новый, и старый перестанет действовать сразу. Для масштабирования выпустите новый ключ и обновите его в коде; старый ключ перестанет действовать сразу.
Контроль расходов в реальном времени
Цена фиксирована: $10 за 1 млн символов. Баланс не истекает, а пополнение происходит через USDT (TRC-20). В личном кабинете вы видите остаток средств и использованные символы, что позволяет точно прогнозировать бюджет на месяц без скрытых платежей.
Специфичные сценарии использования
Голосовые помощники и чат-боты требуют гибкости в подаче информации. Наш API позволяет генерировать речь, меняя голос и скорость для каждого запроса.
Озвучка уведомлений push
Используйте голоса Atlas или Felix для срочных алертов. Короткие фразы генерируются за секунды, обеспечивая мгновенную реакцию пользователя.
- Текст до 4096 символов
- Явное указание языка
Генерация приветствий
Приветствия создают первое впечатление. Голоса Nova или Sage звучат дружелюбно, но нейтрально, что подходит для разных сценариев входа.
Динамический контент диалогов
Вставляйте переменные (имя, статус заказа) прямо в запрос. API преобразует JSON в аудио, сохраняя естественный ритм речи.
Отладка типичных проблем
Когда API возвращает ошибку, первая причина — невалидный JSON. Убедитесь, что заголовки установлены корректно, а тело запроса не содержит лишних запятых или неэкранированных кавычек в поле input. Используйте валидаторы перед отправкой.
Проблемы с кодировкой возникают, если текст содержит спецсимволы, не поддерживаемые в UTF-8 без предварительной обработки. Всегда кодируйте текст в UTF-8 перед отправкой в теле запроса.
Ошибки формата JSON
Проверьте структуру тела запроса. Поля model, input и voice обязательны. Лишние пробелы или неверный тип данных (например, число вместо строки) приведут к 400 Bad Request.
- Проверяйте JSON через онлайн-валидаторы.
- Убедитесь, что
input— строка, а не число. - Не добавляйте лишние запятые в конце объекта.
Проблемы с кодировкой текста
API ожидает текст в кодировке UTF-8. Если ваш бэкенд передает данные в другой кодировке, синтез может выдать ошибку или искаженный звук. Всегда используйте utf-8 при сериализации.
- Используйте
utf-8для всех текстовых полей. - Проверяйте наличие эмодзи и редких символов.
- Убедитесь, что заголовок
Content-Type: application/jsonустановлен.
Тайм-ауты при генгенерации
Генерация происходит последовательно. При высокой нагрузке запросы могут ждать в очереди. Если текст длинный, тайм-аут клиента может сработать раньше, чем ответ придет. Увеличьте тайм-аут HTTP-клиента до 30 секунд.
- Увеличьте тайм-аут HTTP-запроса до 30 секунд.
- Проверяйте статус-код 503 при перегрузке.
- Разбивайте длинные диалоги на части.
Планирование ресурсов
Планирование ресурсов требует точного учета стоимости генерации и лимитов API. При цене $0.01 за 1000 символов важно прогнозировать объем данных для соблюдения бюджета и предотвращения сбоев в речевых потоках.
Расчет бюджета на месяц
Себестоимость составляет $10 за миллион символов. Учет пробела и пунктуации включен в подсчет. Баланс пополняется через USDT (TRC-20), что позволяет контролировать расходы без подписок.
- Цена: $0.01 за 1000 символов
- Без ежемесячных платежей и минимальных трат
- Баланс не истекает
Прогнозирование объема символов
Максимум 4096 символов в одном запросе. Для длинных диалогов используйте разбивку и объединение аудио. Скорость генерации сопоставима с реальным временем речи.
- Лимит: 4096 символов на запрос
- Генерация занимает время, сопоставимое с длиной аудио
Оптимизация частоты запросов
Лимит: 60 запросов в минуту на ключ. При нагрузке запросы ставятся в очередь. Используйте один активный ключ и контролируйте очередь для стабильности диалогов.
- 60 запросов в минуту
- Очереди при высокой нагрузке
Послушайте 8 голосов
Каждый образец ниже сгенерирован этим API из одного и того же предложения. Голосовые помощники и чат-боты становятся ключевыми инструментами для продуктивных команд, упрощая взаимодействие с клиентами и автоматизируя рутинные задачи в современном цифровом пространстве
23 языка
Любой голос может говорить на любом из этих языков.
Источники и дополнительные материалы
- Wikipedia
- Creative Commons Attribution 4.0
- LibriTTS-R paper (arXiv 2305.18802)
- MDN: Web Speech API
- openai-node on GitHub
- FFmpeg documentation
- curl documentation
- LibriVox public-domain audiobooks
- openai-python on GitHub
- LibriTTS-R corpus (OpenSLR 141)
- W3C WAI: making audio and video accessible
- IETF RFC 7845: Ogg Opus
