Esta página foi traduzida automaticamente do inglês e pode estar desatualizada. Leia o original
Texto para Fala (TTS)
Use a Geração de Fala quando seu aplicativo já tiver o texto final e precisar de áudio reproduzível sem executar uma conclusão de chat. Usos típicos incluem narrar um artigo ou notificação, dar voz a um prompt IVR, produzir uma narração em áudio rascunho para revisão ou gerar arquivos de áudio para reprodução offline.
Autentique as solicitações com uma chave de API da AIVAX. Consulte Autenticação para orientações de autorização.
Escolha a forma de entrega #
O endpoint pode retornar áudio em duas formas, e a escolha certa depende do consumidor:
- Áudio binário (
raw: true) — o corpo da resposta é o próprio arquivo de áudio, servido inline com seu tipo MIME. Use isso quando um player, elemento<audio>do navegador ou fluxo de download consumir a resposta diretamente. - Base64 no envelope JSON (
raw: false) — a resposta contém o formato, o tipo MIME e o áudio codificado em base64 dentro do envelope padrão. Use isso quando o resultado viaja por pipelines JSON, é armazenado em um banco de dados ou precisa ser inspecionado junto com metadados de cobrança.
Os formatos suportados são mp3, wav e ogg. Quando o consumidor aceita qualquer um deles, prefira mp3 para payloads menores e wav para máxima compatibilidade com ferramentas de áudio.
Gerar fala #
Escreva o texto que está pronto para ser falado em voz alta, incluindo pontuação e formatação que comuniquem pausas ou ênfase. Expanda abreviações e numerais da maneira como devem ser ouvidos, como “doutor” em vez de “Dr.” ou “vinte e vinte e seis” em vez de “2026”, em vez de confiar na voz para adivinhar.
Teste a voz selecionada com conteúdo representativo antes de usá-la em produção, especialmente para nomes, abreviações ou termos especializados. As vozes diferem por modelo de fala, então confirme a voz contra o modelo que você usará em vez de assumir que as vozes de um modelo existem em outro.
A referência embutida é a fonte da verdade para modelos e vozes disponíveis, opções de solicitação, formatos de saída e campos de resposta.
Para permitir que um agente ou IDE compatível com MCP sintetize fala sem chamar este endpoint diretamente, use o MCP de geração de mídia. Ele retorna uma URL pública para áudio MP3 em vez de áudio inline.
Fala ou Sessões de Voz #
Use a Geração de Fala para síntese única de texto conhecido. Use Sessões de Voz quando a experiência for uma conversa falada interativa com interrupções, revezamento e chamadas de ferramenta. Encadear transcrição, inferência e síntese manualmente adiciona latência que a sessão em tempo real evita.
Preços, limites e erros #
O preço da geração de fala varia por modelo; as tarifas atuais estão listadas no Catálogo de Modelos.
As solicitações autônomas de texto para fala são limitadas por minuto, e por hora no plano Gratuito; consulte Limites de fala. As Sessões de Voz não estão sujeitas a essas cotas de solicitações autônomas; elas seguem o acesso, saldo e limites de inferência do modelo de tempo real selecionado. Revise os erros de validação relatados antes de tentar novamente uma solicitação com falha.
