Многоязычный API для синтеза речи: 33 языка через один REST endpoint (2026)
Как использовать многоязычный API преобразования текста в речь для создания аудио на 32 языках с помощью одного REST-запроса. Локализация приложений, глобальные контентные процессы, изучение языков и цены.
Создание продукта для глобальной аудитории означает, что аудио нужно генерировать на языке, на котором действительно говорят ваши пользователи. Многоязычный API TTS позволяет сделать это с помощью одной интеграции, не работая с отдельными сервисами для каждого языка.
В этом руководстве описано, как Audexum TTS API поддерживает 32 языка, как переключаться между ними в коде и для каких сценариев особенно полезен многоязычный синтез.
Почему многоязычный TTS сложно сделать качественным
Большинство поставщиков TTS хорошо поддерживают английский, а ко всему остальному относятся по остаточному принципу. Типичные проблемы:
- Протекание акцента: модель обучена на английском языке и неправильно произносит символы нелатинских письменностей
- Отсутствующие языки: поддержка заявлена на главной странице, но фактически работает лишь несколько голосов
- Нет переключения языка для каждого запроса: для каждой локали нужен отдельный ключ API или эндпоинт
- Пробелы в фонетике: для таких языков, как арабский, японский и хинди, требуются специальные правила преобразования графем в фонемы, которые дешёвые модели пропускают
Готовый к промышленной эксплуатации многоязычный API требует отдельных моделей для каждого языка, а не одной модели с языковым флагом.
Подход Audexum
Audexum использует отдельные модели голоса для каждого языка, а не одну многоязычную модель. Благодаря этому произношение точно для письменностей на основе знаков (японской, корейской, арабской) и тональных языков, и вызывающей стороне не нужно передавать фонетические подсказки.
API принимает параметр language вместе с voice_id. Если вы передаете голос, обученный на определённом языке, отдельно задавать language отдельно; он определяется автоматически. В пограничных случаях, когда в тексте смешаны разные письменности, передача явного кода языка обеспечивает корректную токенизацию.
Поддерживаемые языки
Audexum поддерживает 32 языка и 43 голоса. Вот 20 самых востребованных:
Полный список 32 языков доступен через /api/v1/voices эндпоинт.
Примеры кода
Получить список голосов по языку
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)}")Синтезировать речь на определённом языке
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",
)Пакетный конвейер локализации
Этот подход пригодится, если вы ведёте таблицу строк и должны создавать аудиофайлы для каждой локали:
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}")Запуск этого решения для 8 локалей создаёт 8 файлов WAV менее чем за 10 секунд и расходует около 400 символов квоты.
Сценарии использования
Локализация приложений
Мобильные и веб-приложения всё чаще используют голос как интерфейсный слой: озвучку онбординга, сообщения об ошибках вслух, режим доступности. Создание аудио в локали пользователя во время сборки, а не во время работы приложения, устраняет задержку и обеспечивает доступ офлайн.
Описанный выше пакетный подход подходит для этого случая: вы ведёте файл перевода, запускаете синтез в составе CI-конвейера и публикуете аудиофайлы вместе с пакетом приложения.
Глобальные контентные конвейеры
Записывать подкасты, видео YouTube и курсы по электронному обучению на нескольких языках дорого. Аудио TTS для переведённых сценариев значительно снижает стоимость производства, сохраняя приемлемое качество для второстепенного контента.
Типичный рабочий процесс: перевести сценарий с помощью API перевода, выполнить синтез в Audexum и совместить результат с исходным музыкальным фоном. Получается готовый к публикации контент по цене лишь части стоимости записи в студии.
Приложения для изучения языков
При изучении языка важны чёткое и точное произношение — именно то, что обеспечивает TTS на основе нативной модели. Создание аудио по запросу вместо предварительной записи фиксированного списка слов позволяет охватить произвольный словарь и любые конструкции предложений без студии звукозаписи.
Точность фонетики Audexum для нелатинских письменностей (арабской, японской, корейской, деванагари) делает продукт подходящим для аудиоупражнений с повторением слов, где неправильное произношение активно мешает обучению.
Голосовые помощники и чат-боты
Боты для международной аудитории должны отвечать на языке пользователя. Определение языка пользователя и выбор подходящего voice_id для каждого запроса — это всего лишь один дополнительный параметр в вызове TTS.
Тарифы
Все 32 языка доступны на любом тарифе; доплата за языки не предусмотрена.
Для сравнения: ElevenLabs берёт около $165–200 за 1 млн символов по публичным тарифам, OpenAI TTS — $15/1 млн. Подписчики тарифов Audexum получают эффективные ставки от €9,93/1 млн (Business) до €24,17/1 млн (Pro), а разовый пакет стоит €28/1 млн. И Audexum — единственный провайдер с постоянным бесплатным тарифом и едиными кредитами для диктовки.
Бесплатного тарифа (2 000 кредитов на старте, банковская карта не нужна) достаточно, чтобы протестировать синтез на каждом нужном языке перед переходом на платный план.
Как начать
- Зарегистрируйтесь на audexum.com/signup. Банковская карта для бесплатного тарифа не нужна
- Скопируйте
sk_live_ключ из панели управления - Вызовите
/api/v1/voicesчтобы получить текущий список голосов и выбрать нужныйvoice_idзначения - Подставьте эти ID в пакетный скрипт выше
Полная справка по API, включая синтаксис переопределения фонем для сложных случаев, доступна на audexum.com/docs.
- Связанное: Учебник по Python API для синтеза речи
- Связанное: Самый дешёвый API синтеза речи в 2026
- Связанное: API синтеза речи для Discord-ботов
Автор — Petar, основатель Audexum. Создаём многоязычный TTS, который действительно корректно работает с письменностями, не основанными на латинице.
Got any questions left?
Поделиться отзывом
Была ли эта статья полезна?