APIAPI Syntezy Mowy

Daj wideo głos
i ścieżkę dźwiękową, z jednego klucza

Jedno wywołanie wypowiada linijkę z twojej osi czasu i wraca wyrównane słowo po słowie przez Whisper, więc napisy trafiają w sylabę. Drugie pisze piosenkę pod spodem. Czterej dostawcy głosu, po jednym endpoincie.

POSThttps://autostud.ai/api/v1/actions/timeline.generate_audio

Zdobądź klucz API Dokumentacja API

Trzy wywołania, od ciszy do ścieżki dźwiękowej

Udźwiękowij blok, dodaj piosenkę jeśli chcesz, a potem wyrenderuj całość.

Udźwiękowij blok

Skieruj wywołanie na blok osi czasu i wybrany głos. Wraca audio, jego dokładna długość i czasy Whispera słowo po słowie, dzięki którym napisy trafiają w sylabę.

export AUTOSTUD_API_KEY="sk_live_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

curl -X POST https://autostud.ai/api/v1/actions/timeline.generate_audio \
  -H "Authorization: Bearer $AUTOSTUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "video_id": "0f4c8b71-2d95-47a3-9e6c-15b8ad7f3c20",
    "block_id": "block_2",
    "voice_settings": {
      "voice_provider": "elevenlabs",
      "voice_id": "rachel",
      "playback_speed": 1
    }
  }'

Napisz piosenkę

Brief, styl albo twój własny tekst. Muzyka jest asynchroniczna: wywołanie zwraca zadanie, a music.completed przynosi zhostowane ścieżki.

curl -X POST https://autostud.ai/api/v1/actions/music.generate \
  -H "Authorization: Bearer $AUTOSTUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "title": "Lighthouse",
    "style": "warm lo-fi, slow, no drums",
    "prompt": "A calm bed under a voice-over about the sea",
    "instrumental": true
  }'

# Already wrote the words? Send lyrics instead of prompt.

Wyrenderuj to razem

Audio decyduje o długości bloku, więc gdy głos już jest, renders.create zamienia oś czasu w mp4 z całą synchronizacją na miejscu.

curl -X POST https://autostud.ai/api/v1/webhooks \
  -H "Authorization: Bearer $AUTOSTUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://your-app.com/hooks/autostud",
    "events": ["music.completed", "music.failed"],
    "description": "Audio"
  }'

Co możesz przekazać

Trzy pola, by wypowiedzieć blok, jedno, by zamówić piosenkę.

video_id

Wideo, którego oś czasu zawiera udźwiękawiany blok.

block_id

Który blok dostaje głos. Jego długość idzie za audio, a nie odwrotnie.

voice_settings

Sam głos: dostawca, referencja głosu, tempo. Z własnym kluczem dostawcy generowanie nic nie kosztuje.

prompt

Dla music.generate: brief piosenki. Wyślij zamiast tego lyrics, jeśli tekst już masz.

Czterej dostawcy, jeden kształt wywołania

Głosy to katalog, nie lista wpisana na sztywno. Przynieś swój klucz dostawcy, a generacje są darmowe; użyj naszego, a rozliczymy je w kredytach jak wszystko inne.

ElevenLabsGoogleCartesiaFish Audio

Piosenki zgłaszają się same

Mowa wraca w odpowiedzi. Piosenka trwa dłużej, więc wyzwala zdarzenie: zarejestruj webhook raz, a ścieżki przyjdą zhostowane, z już rozliczonymi kredytami.

generation.completedmusic.completedmusic.failed

O co programiści pytają najpierw

Czy dostanę czasy na poziomie słów?

Tak. Wyrównanie Whispera działa na tym, co dopiero powstało, więc odpowiedź niesie czasy per słowo w pełnej precyzji, nigdy zaokrąglone do sekundy.

Czy mogę użyć własnego klucza ElevenLabs?

Tak i o to właśnie chodzi w trybie podwójnym: z twoim kluczem generowanie kosztuje zero kredytów, a audio i tak jest hostowane, wyrównane i położone na bloku.

Ile trwa piosenka?

Minuty, nie milisekundy, i dlatego muzyka jest asynchroniczna. Odczytaj ją przez music.get_task, jeśli webhook nie wchodzi u ciebie w grę.

Co dzieje się z długością bloku?

Decyduje o niej audio. Blok trwa dokładnie tyle, co mowa w środku plus skonfigurowane przerwy, więc nie trzeba niczego dostrajać ręcznie po fakcie.

Specyfikacja OpenAPI Kody błędów Poznaj API