Audio Speech API

Преобразует текст в речь. Совместим с POST /v1/audio/speech из OpenAI; тело ответа — сам аудиофайл (двоичные данные), а не JSON.

Семейство	Модель	Описание
ElevenLabs	`elevenlabs/eleven_v4`	См. ElevenLabs
Gemini TTS	`google/gemini-3.8-flash-tts` и др.	См. Gemini TTS

Допустимые значения voice, response_format и других параметров зависят от модели — ориентируйтесь на страницу семейства.

Быстрый старт

base_urlhttps://api.ofox.io/v1

Адрес эндпоинтаhttps://api.ofox.io/v1/audio/speech

ID моделиgoogle/gemini-3.8-flash-tts

Python

speech.py


import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.io/v1", api_key=os.environ["OFOX_API_KEY"])
 
with client.audio.speech.with_streaming_response.create(
    model="google/gemini-3.8-flash-tts",
    voice="Kore",
    input="Здравствуйте! Добро пожаловать в синтез речи OfoxAI.",
    response_format="wav",
) as resp:
    resp.stream_to_file("speech.wav")

Параметры запроса

modelобязательныйstring

ID модели; см. таблицу выше.

inputобязательныйstring

Текст для синтеза. Если он пуст, возвращается 400.

voicestring

Голос. Для Gemini TTS обязателен, значение — имя голоса Google (например, Kore); для ElevenLabs значение — ID голоса (например, 21m00Tcm4TlvDq8ikWAM). Имена голосов OpenAI (например, alloy) для этих двух семейств не подходят.

response_formatstring

Формат аудио. Допустимые значения зависят от модели: Gemini TTS поддерживает wav, pcm; ElevenLabs — mp3, opus, wav, pcm. При неподдерживаемом формате возвращается 400.

instructionsstring

Указания по интонации и стилю, например «читай бодрым тоном». Применимо к Gemini TTS.

language_codestring

Код языка, например cmn-CN (Gemini TTS), zh (ElevenLabs). Если не указан, модель определяет язык по тексту.

stream_formatstring· значенияsse

При значении sse аудио возвращается фрагментами в потоке Server-Sent Events. Применимо к Gemini TTS.

provider_optionsobject

Параметры, специфичные для провайдера; передаются соответствующему провайдеру без изменений, например {"elevenlabs": {"voice_settings": {...}}} для ElevenLabs. См. страницы семейств.

Ответ

При успехе возвращается HTTP 200, тело ответа — аудиофайл, Content-Type соответствует формату:

response_format	Content-Type
`mp3`	`audio/mpeg`
`wav`	`audio/wav`
`opus`	`audio/ogg`
`pcm`	`audio/L16;rate=<частота дискретизации>;channels=1`, 16-битный PCM без заголовка файла

Записывайте тело ответа прямо в файл. При ошибке ответ приходит в формате JSON с Content-Type application/json, поэтому сначала проверяйте код состояния, чтобы не записать сообщение об ошибке в аудиофайл.

Типичные ошибки

HTTP	Текст ошибки	Причина	Решение
400	`model and input are required.`	Отсутствует `model` или `input` пуст	Укажите недостающие параметры
400	`voice is required for speech completion`	Для Gemini TTS не передан `voice`	Передайте имя голоса, например `Kore`
400	`unsupported Gemini response_format: mp3`	Модель не поддерживает выбранный формат	Используйте формат из списка на странице семейства
400	`Request contains an invalid argument.`	Голоса Gemini TTS с таким именем не существует	Используйте допустимое имя голоса
404	`A voice with voice_id 'alloy' was not found.`	Голоса ElevenLabs с таким ID не существует	Используйте допустимый ID голоса
400 `endpoint_not_supported`	`Model 'openai/gpt-5.4' does not support the /v1/audio/speech endpoint on this platform.`	Выбранная модель не является моделью синтеза речи	Используйте модель из таблицы выше

Полное описание кодов ошибок см. в разделе Обработка ошибок.