แปลงข้อความเป็นเสียงพูดด้วย ChindaTTS

อ่านออกเสียงข้อความไทยหรือไทยปนอังกฤษด้วยเสียงน้องไข่ต้ม หรือเสียงที่โคลนจากคลิปสั้น แล้วสตรีมกลับเป็น PCM 24 kHz ผ่าน endpoint V3 ส่วน endpoint V1 และ V2 ประกาศเลิกใช้แล้ว

รุ่นทดลอง

บริการอยู่ในรุ่นทดลอง อาจใช้งานไม่ได้เป็นบางช่วง

POST/v3/store/audio/tts

และอีก 1 endpoint

ทดลองใช้

• ราคา1 ICต่อ 400 ตัวอักษร
• ให้บริการแล้ว2.1Mครั้ง

• v3.0
• ใช้งานได้

Input

text

สวัสดีครับ น้องไข่ต้ม เวอร์ชั่น 3

speed

1

OutputPOST /v3/store/audio/tts

HTTP/1.1 200 OK
Content-Type: application/octet-stream

<raw PCM, signed 16-bit little-endian, mono, 24 kHz, streamed>
duration_seconds = byte_length / 48000

ฟิลด์ทั้งหมดอยู่ในหัวข้อ Responseendpoint อื่น: /clone ดูที่ Request

Request

curl -X POST https://api.iapp.co.th/v3/store/audio/tts \
  -H "apikey: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "สวัสดีครับ น้องไข่ต้ม เวอร์ชั่น 3", "speed": 1.0}' \
  --output speech.pcm

Response

200OK ฟิลด์อธิบายไว้ในหัวข้อ Response

HTTP/1.1 200 OK
Content-Type: application/octet-stream

<raw PCM, signed 16-bit little-endian, mono, 24 kHz, streamed>
duration_seconds = byte_length / 48000

Request

ส่ง JSON สำหรับเสียงมาตรฐาน และ multipart/form-data สำหรับการโคลนเสียง

Headers

apikeystringrequired

API key ของคุณ สร้างได้ที่เมนู API Keys ในแผงควบคุม

Body

textstringrequired

ข้อความที่จะอ่าน ไม่เกิน 10,000 ตัวอักษร ราว 1,000 ตัวอักษรไทยต่อครั้งกำลังดี ข้อความยาวกว่านั้นจะถูกแบ่งที่เซิร์ฟเวอร์และใช้เวลานานขึ้น

speedfloat

เฉพาะเสียงมาตรฐาน: ความเร็ว ค่าเริ่มต้น 1.0 ช่วง 0.8 ถึง 1.2 ฟังเป็นธรรมชาติ

filefile

เฉพาะการโคลน และจำเป็นต้องส่ง: เสียงพูดภาษาไทยที่สะอาด โมโน 10 ถึง 20 วินาที เป็น WAV หรือ MP3 คลิปที่สั้นกว่านี้หรือมีเสียงรบกวนจะถูกปฏิเสธด้วย 400

consentboolean

เฉพาะการโคลน และจำเป็นต้องส่ง: true เพื่อยืนยันว่าเสียงนี้เป็นของคุณหรือเจ้าของเสียงยินยอมแล้ว หากไม่ส่งจะถูกปฏิเสธด้วย 400

Endpoint	Body	ทำอะไร	ราคา
/v3/store/audio/tts	text, speed	อ่านด้วยเสียงน้องไข่ต้ม	1 IC ต่อ 400 ตัวอักษร
/v3/store/audio/tts/clone	text, file, consent	อ่านภาษาไทยด้วยเสียงที่โคลน คลิปใช้เฉพาะ Request นั้นและไม่ถูกเก็บไว้	1 IC ต่อ 400 ตัวอักษร

path เดิม /v3/store/audio/tts/tts และ /v3/store/audio/tts/tts/clone ยังเรียก endpoint เสียงพูดทั้งสองตัวเดียวกันนี้

Response

/v3/store/audio/tts สตรีม PCM ดิบแบบ signed 16 บิต little-endian โมโน 24 kHz เป็น application/octet-stream โดย duration_seconds = byte_length / 48000 ถ้าจะเล่นหรือบันทึก ให้ใส่ WAV header หรือใช้ ffmpeg -f s16le -ar 24000 -ac 1 -i speech.pcm speech.wav ส่วน /v3/store/audio/tts/clone ส่งกลับไฟล์ WAV (audio/wav) ที่เล่นได้ทันที

/v3/store/audio/tts สตรีม PCM ดิบแบบ signed 16 บิต little-endian โมโน 24 kHz เป็น application/octet-stream โดย duration_seconds = byte_length / 48000 ถ้าจะเล่นหรือบันทึก ให้ใส่ WAV header หรือใช้ ffmpeg -f s16le -ar 24000 -ac 1 -i speech.pcm speech.wav ส่วน /v3/store/audio/tts/clone ส่งกลับไฟล์ WAV (audio/wav) ที่เล่นได้ทันที

รหัสสถานะ

รหัส	ความหมาย
400	JSON ผิดรูปแบบ
413	ข้อความเกิน 10,000 ตัวอักษร
503	ใช้งานไม่ได้ชั่วคราว ลองใหม่ภายหลัง

รายละเอียดเพิ่มเติม

ข้อจำกัด

• ภาษาไทยและอังกฤษสำหรับเสียงมาตรฐาน ภาษาไทยเท่านั้นสำหรับการโคลน
• เรียกได้ไม่เกิน 100 ครั้งต่อวินาทีต่อ API key
• เครื่องหมายวรรคตอนกำหนดจังหวะหยุด ถ้าต้องการให้อ่านชื่อแบรนด์หรือตัวย่อแบบเจาะจง ให้เขียนทับศัพท์เป็นไทย เช่น ไอแอป แทน iApp

การจัดการข้อมูล

ข้อความและคลิปอ้างอิงประมวลผลในหน่วยความจำและไม่เก็บไว้หลังส่ง Response บริการเป็นไปตาม GDPR และ PDPA

Endpoint ที่ประกาศเลิกใช้

endpoint V1 และ V2 ยังเรียกได้ในราคาเดิม แต่ไม่มีการดูแลต่อแล้ว ให้ย้ายไปใช้ /v3/store/audio/tts

Endpoint	เดิมคือ
/v3/store/speech/text-to-speech/kaitom และ /thai-tts-kaitom2/tts	V2 เสียงน้องไข่ต้ม
/v3/store/speech/text-to-speech/kaitom/v1 และ /thai-tts-kaitom/tts	V1 เสียงน้องไข่ต้ม
/v3/store/speech/text-to-speech/cee และ /thai-tts-cee/tts	V1 เสียงคุณซี

วิธีย้าย ส่ง JSON ที่มี text และ speed แทน form หรือ query string และไม่ต้องส่ง language เพราะระบบตรวจภาษาให้เอง Response เป็น PCM ดิบที่ต้องใส่ header WAV ก่อนเล่น (ดู Response) ไม่ใช่ไฟล์เสียง และ V3 ไม่มีเสียงคุณซี

Changelog

เวอร์ชัน	การเปลี่ยนแปลง
ChindaTTS	endpoint V3 ทำงานบน ChindaTTS โดย Request และ Response เหมือนเดิม ส่วน endpoint V1 และ V2 ประกาศเลิกใช้แล้ว ดู Endpoint ที่ประกาศเลิกใช้
V3	ใช้ /v3/store/audio/tts แทน /v3/store/speech/text-to-speech/kaitom รับ JSON ตรวจภาษาให้เองโดยไม่ต้องระบุโหมด language ยาวได้ 10,000 ตัวอักษร เสียง 24 kHz อ่านตัวเลข วันที่ สกุลเงิน เวลา และเปอร์เซ็นต์เป็นคำ และโคลนเสียงได้