Многоезичен API за преобразуване на текст в реч: 33 езика с един REST endpoint (2026)
Как да използвате многоезичен API за текст в реч, за да генерирате аудио на 32 езика с едно REST извикване. Обхваща локализация на приложения, глобални съдържателни процеси, изучаване на езици и цени.
Създаването на продукт за глобална аудитория означава генериране на аудио на езика, на който действително говорят потребителите ви. Многоезичен TTS API ви позволява да го направите с една интеграция, вместо да използвате няколко отделни услуги за различни езици.
Това ръководство описва как Audexum TTS API поддържа 32 езика, как изглежда превключването между тях в код и кои случаи на използване се възползват най-много от многоезичния синтез.
Защо е трудно да се постигне добра многоезична TTS система
Повечето TTS доставчици поддържат добре английския език, а всичко останало оставят за второстепенна задача. Чести проблеми:
- Просочване на акцента: моделът е обучен на английски и неправилно произнася нелатински писмени системи
- Липсващи езици: поддръжката е посочена на началната страница, но всъщност работят само няколко гласа
- Няма превключване на езика за всяка заявка: за всеки локален вариант е необходим отделен API ключ или крайна точка
- Пропуски във фонетиката: езици като арабски, японски и хинди изискват специални правила за преобразуване от графеми във фонеми, които евтините модели пропускат
Многоезичен API, готов за продукция, се нуждае от нативни модели за всеки език, а не от един модел с езиков флаг.
Подходът на Audexum
Audexum използва отделни модели за глас за всеки език, вместо един многоезичен модел. Това означава точно произношение при писмени системи, базирани на знаци (японски, корейски, арабски), и тонални езици, без да са необходими никакви фонетични указания от страна на извикващия.
API-то приема параметър language заедно с voice_id. Ако предадете глас, обучен за конкретен език, не е необходимо да задавате language отделно; тя се извежда. При краища случаи, в които текстът смесва писмени системи, задаването на изричен код на езика осигурява правилно токенизиране.
Поддържани езици
Audexum поддържа 32 езика в 43 гласа. Най-използваните 20 са:
Пълният списък с 32 езика е достъпен чрез /api/v1/voices endpoint-а.
Примери с код
Извеждане на гласовете по език
import requests
API_KEY = "sk_live_abc123xyz"
voices = requests.get(
"https://audexum.com/api/v1/voices",
headers={"Authorization": f"Bearer {API_KEY}"},
).json()
# Group by language
by_language = {}
for v in voices:
by_language.setdefault(v["language"], []).append(v["voice_id"])
for lang, ids in sorted(by_language.items()):
print(f"{lang:10s}: {', '.join(ids)}")Синтезиране на определен език
import requests
API_KEY = "sk_live_abc123xyz"
API_URL = "https://audexum.com/api/v1/tts"
def synthesize(text: str, voice_id: str, output_file: str):
response = requests.post(
API_URL,
headers={
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json",
},
json={"text": text, "voice_id": voice_id},
)
response.raise_for_status()
with open(output_file, "wb") as f:
f.write(response.content)
# Japanese
synthesize(
text="こんにちは、Audexumへようこそ。",
voice_id="ja_female_01",
output_file="welcome_ja.wav",
)
# Arabic
synthesize(
text="مرحبًا بك في Audexum.",
voice_id="ar_female_01",
output_file="welcome_ar.wav",
)
# German
synthesize(
text="Willkommen bei Audexum.",
voice_id="de_female_01",
output_file="welcome_de.wav",
)Пакетен pipeline за локализация
Този модел е полезен, когато поддържате таблица с низове и трябва да генерирате аудио активи за всеки локален вариант:
import requests
from pathlib import Path
API_KEY = "sk_live_abc123xyz"
API_URL = "https://audexum.com/api/v1/tts"
STRINGS = {
"en_us_female_01": "Your order has been confirmed.",
"es_female_01": "Tu pedido ha sido confirmado.",
"fr_female_01": "Votre commande a été confirmée.",
"de_female_01": "Ihre Bestellung wurde bestätigt.",
"ja_female_01": "ご注文が確定しました。",
"ko_female_01": "주문이 확정되었습니다.",
"ar_female_01": "تم تأكيد طلبك.",
"hi_female_01": "आपका ऑर्डर कन्फर्म हो गया है।",
}
output_dir = Path("audio_assets")
output_dir.mkdir(exist_ok=True)
for voice_id, text in STRINGS.items():
lang_code = voice_id.split("_")[0]
response = requests.post(
API_URL,
headers={"Authorization": f"Bearer {API_KEY}"},
json={"text": text, "voice_id": voice_id},
)
if response.ok:
out = output_dir / f"order_confirmed_{lang_code}.wav"
out.write_bytes(response.content)
print(f"Wrote {out}")
else:
print(f"Failed {voice_id}: {response.status_code}")Изпълнението му за 8 локални варианта създава 8 WAV файла за по-малко от 10 секунди и изразходва приблизително 400 знака от квотата ви.
Случаи на използване
Локализация на приложения
Мобилните и уеб приложенията все по-често използват гласа като UI слой: озвучаване при onboarding, съобщения за грешки, прочетени на глас, режим за достъпност. Генерирането на аудио в локализирания вариант на потребителя по време на build (а не по време на изпълнение) премахва латентността и работи офлайн.
Пакетният модел по-горе е подходящ за този случай: поддържате файл за превод, изпълнявате задачата за синтез като част от CI pipeline-а и разпространявате аудио активите заедно с пакета на приложението си.
Глобални съдържателни pipeline-и
Записването на подкасти, YouTube видеа и електронни курсове на много езици е скъпо. TTS аудиото за преведени сценарии значително намалява производствените разходи, като същевременно поддържа приемливо качество за нефлагманско съдържание.
Типичен работен процес: преведете сценария с API за превод, извършете синтез с Audexum и го смесете с оригиналния музикален фон. Резултатът е публикуваемо съдържание на част от цената на запис в студио.
Приложения за изучаване на езици
Изучаването на език изисква ясно и точно произношение — точно това, което предоставя TTS с модел, обучен на езика на потребителя. Генерирането на аудио при поискване, вместо предварително записване на фиксиран списък от думи, ви позволява да обхвате произволен речник и изречени структури без录音 studio.
Точността на фонетиката на Audexum за нелатински писмени системи (арабски, японски, корейски, деванагари) я прави подходяща за аудио при тренировка на лексика, при което неправилното произносяне би увредило активно обучението.
Гласови асистенти и чатботове
Ботовете, обслужващи международна аудитория, трябва да отговарят на езика на потребителя. Откриването на езика на потребителя и изборът на съответния voice_id за всяка заявка изискват само един допълнителен параметър в TTS извикването.
Цени
Всичките 32 езика са налични във всеки план; няма надценка за езици.
За сравнение, ElevenLabs таксува около $165-$200 за 1M символа в своите планове, а OpenAI TTS таксува $15/1M. Абонираните на планове на Audexum получават ефективни тарифи от €9,93/1M (Business) до €24,17/1M (Pro), с PAYG тарифа от €28/1M за еднократни покупки. И Audexum е единственият доставчик с постоянен безплатен план и унифицирани кредити за диктиране.
Безплатното ниво (2 000 кредита в началото, без необходимост от карта) е достатъчно да изпробвате синтеза на всеки нужен ви език, преди да изберете платен план.
Да започнем
- Регистрирайте се на audexum.com/signup. Без кредитна карта за безплатния план
- Копирайте своя
sk_live_API ключ от контролния панел - Извикай
/api/v1/voicesза да получиш текущия списък с гласове и да избереш желанияvoice_idстойности - Вмъкни тези ID във batch скрипта по-горе
Пълната документация на API, включително синтаксиса за презаписване на фонеми при специални случаи, се намира на audexum.com/docs.
- Свързано: Учебник за Python API за преобразуване на текст в реч
- Свързано: Най-евтин API за преобразуване на текст в реч през 2026 г.
- Свързано: TTS API за Discord ботове
От Petar, основател на Audexum. Създавам многоезичен TTS, който наистина обработва правилно нелатинските азбуки.
Got any questions left?
Споделете обратна връзка
Беше ли ви полезна тази статия?