Синтез речи (TTS)готовится

Планируемый контракт POST /v1/audio/speech: озвучивание текста и потоковая отдача аудио

Раздела синтеза речи в API LibraChat пока нет. Эндпоинт POST /v1/audio/speech не отвечает, голосовых моделей в GET /v1/models нет. Ниже описан планируемый контракт — он приведён, чтобы вы могли заранее прикинуть интеграцию. Сегодня в API работают только текстовые вызовы: POST /v1/chat/completions и GET /v1/models.

Запрос

Планируется обычный HTTP-запрос с тем же ключом, что и у текстовых вызовов: заголовок Authorization: Bearer sk-libra-… . Тело — JSON в кодировке UTF-8.

Поле	Тип	Обязательное	Описание
input	строка	да	Текст для озвучивания. Планируемый предел — 4096 знаков за один запрос.
model	строка	да	Голосовая модель синтеза, например libra-tts.
voice	строка	да	Идентификатор голоса из справочника голосов.
format	строка	нет	Формат аудио: mp3 (по умолчанию), wav, opus.
speed	число	нет	Скорость речи, 0.25–4.0, по умолчанию 1.0.
stream	логическое	нет	Если true — аудио отдаётся потоком по мере синтеза.

bash

curl -X POST https://api.librachat.kz/v1/audio/speech \
  -H "Authorization: Bearer sk-libra-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "libra-tts",
    "input": "Здравствуйте! Это пример синтеза речи.",
    "voice": "anna",
    "format": "mp3",
    "speed": 1.0
  }' --output speech.mp3

Ответ и потоковая отдача

В обычном режиме ответ — бинарное аудио целиком, Content-Type по формату: audio/mpeg для mp3, audio/wav для wav, audio/ogg для opus. Ошибки, в отличие от аудио, приходят как JSON с Content-Type: application/json; charset=utf-8.

При stream: true аудио планируется отдавать порциями через chunked transfer encoding: тот же Content-Type, тело приходит кусками по мере синтеза, без служебных обёрток и без маркера data: [DONE] (это не server-sent events, как в чате). Так можно начать проигрывание, не дожидаясь конца фразы. Длину ответа заранее не сообщаем — заголовка Content-Length не будет.

python

import requests

with requests.post(
    "https://api.librachat.kz/v1/audio/speech",
    headers={"Authorization": "Bearer sk-libra-..."},
    json={
        "model": "libra-tts",
        "input": "Длинный текст, который нужно начать слушать сразу.",
        "voice": "anna",
        "format": "mp3",
        "stream": True,
    },
    stream=True,
) as r:
    r.raise_for_status()
    with open("speech.mp3", "wb") as f:
        for chunk in r.iter_content(chunk_size=4096):
            f.write(chunk)

Цена

Синтез тарифицируется по количеству знаков во входном тексте: 4 050 ₽ за 1 млн знаков. Считаются знаки поля input, включая пробелы и знаки препинания. Формат аудио и скорость на цену не влияют.

Объём текста	Стоимость
1 000 знаков	4,05 ₽
10 000 знаков	40,50 ₽
100 000 знаков	405 ₽
1 000 000 знаков	4 050 ₽

Важно: сейчас баланс аккаунта считается только в токенах и списывается из блока usage в ответе модели. Списания «за знак» в биллинге пока нет — этот механизм нужно построить отдельно.

Ошибки

Планируется тот же формат ошибок, что и в текстовом API: JSON с кодом и русским текстом сообщения.

HTTP	Код	Когда
401	no_api_key	Заголовок Authorization не передан
401	invalid_api_key	Ключ не найден или отозван
402	insufficient_balance	На балансе не хватает средств на озвучивание
429	rate_limited	Превышен лимит запросов по ключу (120 запросов в минуту)
502	upstream_error	Сбой на стороне синтеза

НазадОбзор ДальшеРаспознавание речи