API синтеза речи с готовыми и созданными голосами
Эндпоинт озвучки OpenAI с Qwen3-TTS и ZONOS2: готовые голоса, голоса по описанию, эмоции и 10–40+ языков, оплата за минуту.
Обновлено 2026-11-05
Бонус за пополнение: Чёрная пятница
Каждое подходящее пополнение даёт бесплатные средства, а также суммируется с другими предложениями.
До 30 ноября
Отправьте текст — получите аудио. Lovely Router обслуживает эндпоинт озвучки OpenAI, POST /v1/audio/speech, с двумя моделями голоса с открытыми весами на наших собственных GPU: Qwen3-TTS и ZONOS2. Код, написанный под SDK OpenAI, работает после смены базового URL и ключа, а поверх полей OpenAI можно описать совершенно новый голос словами, задать язык и, на ZONOS2, выбрать эмоцию. Обе модели стоят $0.036 за минуту аудио, оплата по секундам, с того же предоплаченного баланса, что и вызовы моделей.
Передайте это своему ИИ-агенту
Скопируйте этот промпт в Claude Code, Cursor, Codex или любой кодинг-агент. Он подскажет агенту, где документация и как использовать ваш API-ключ.
Add text to speech to this project with the Lovely Router speech API (OpenAI-compatible). - Docs (read first): https://lovelyrouter.com/docs/models/speech.md and https://lovelyrouter.com/docs/api/audio.md - POST https://lovelyrouter.com/v1/audio/speech with `model`, `input`, `voice` (a preset, an OpenAI voice name or a saved voice id) and optional `instructions`, `response_format`, `speed`, `language`. The answer is the audio file. - The first request after an idle spell can take a while (the model wakes up): use a long client timeout. - Auth: read my API key from the LOVELY_API_KEY environment variable and send it as `Authorization: Bearer $LOVELY_API_KEY`. Never print or commit the key. If it is not set, ask me to create one at https://lovelyrouter.com/app/keys. - Billing is prepaid: every call is charged to my balance, so test with a small request before running anything large. - Every docs page is plain Markdown; the full index is https://lovelyrouter.com/llms.txt. My task: <the text, the language and the voice you want>
Выберите модель
qwen3-tts | zonos2 | |
|---|---|---|
| Цена | $0.036 за минуту | $0.036 за минуту |
| Управление подачей через | instructions простыми словами: эмоция, темп, громкость, шёпот, акцент | emotion: happy, sad, angry, surprised или веса от 0 до 1 |
| Новый голос по описанию | Да: не указывайте voice, а опишите его | Нет |
| Готовые голоса | 9 | 3: american_female, american_male, british_female |
| Языки | 10: китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский, итальянский | 40+, лучше всего на английском, китайском и японском |
| Частота дискретизации | 24 кГц | 44,1 кГц |
| Скорость после прогрева | Примерно вдвое быстрее реального времени | Примерно реальное время на запрос, быстрее при нескольких одновременных |
| Лицензия | Apache-2.0, команда Qwen | Apache-2.0, Zyphra |
Обе модели также клонируют голос по короткой записи; для этого есть отдельная страница — API клонирования голоса.
Ваш первый запрос
Направьте SDK OpenAI на https://lovelyrouter.com/v1. Ответ — сам аудиофайл, MP3, если не попросите другой формат, а заголовок x-lovely-audio-seconds сообщает его длительность.
curl https://lovelyrouter.com/v1/audio/speech \
-H "Authorization: Bearer $LOVELY_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-tts",
"input": "Welcome back! Your order has shipped and should arrive on Thursday.",
"voice": "serena",
"instructions": "Warm and cheerful, a little fast"
}' \
--output welcome.mp3Запрос принимает до 4 096 символов текста. Длинный текст произносится предложение за предложением тем же голосом.
Четыре способа выбрать голос
1. Готовый голос. У qwen3-tts их девять: vivian, serena, uncle_fu, dylan, eric, ryan, aiden, ono_anna и sohee, у каждого свой родной язык среди китайского (включая пекинский и сычуаньский диалекты), английского, японского и корейского. Каждый голос говорит на всех языках модели, лучше всего на своём.
2. Имя голоса OpenAI. alloy, nova, onyx и остальные имена OpenAI сопоставляются с ближайшим готовым голосом, так что приложение, написанное под голоса OpenAI, продолжает работать без изменений.
3. Голос, созданный по описанию. Не указывайте voice, а опишите говорящего в instructions (возраст, пол, тембр, темп, настроение, акцент), и qwen3-tts создаст для него новый голос:
{
"model": "qwen3-tts",
"input": "Ahoy! Lower the sails, we're coming into port.",
"instructions": "A gravelly old pirate captain with a booming voice, amused and a little drunk"
}Созданный голос каждый раз выходит немного другим. Когда найдёте подходящий, сохраните аудио как голос и дальше используйте его id.
4. Без голоса вообще. Без voice и instructions модель выбирает готовый голос под language: на qwen3-tts — vivian для китайского, ono_anna для японского, sohee для корейского, иначе ryan.
Управляйте подачей
На qwen3-tts поле instructions (до 1 000 символов) говорит готовому или сохранённому голосу, как говорить; пишите на любом языке так, как объяснили бы диктору: «Медленно и заговорщицки, вполшёпота». На zonos2 поле emotion меняет подачу, а говорящий остаётся тем же: "emotion": "sad" или смесь вроде {"happy": 0.7, "surprised": 0.3}. Если отправить instructions в zonos2 или emotion в qwen3-tts, вернётся 400 с именем поля.
Задавайте language кодом ISO вроде en, zh, ja или pt-br, когда текст короткий или полон чисел; значение по умолчанию auto определяет язык само. speed от 0.25 до 4.0 меняет темп, не меняя высоту тона, а seed делает вывод повторяемым.
Форматы вывода
response_format | Что вы получите |
|---|---|
mp3 (по умолчанию) | MP3, 128 кбит/с |
opus | Ogg Opus, 64 кбит/с |
aac | AAC (ADTS) |
flac | FLAC |
wav | WAV, 16 бит |
pcm | Сырые 16-битные сэмплы little-endian, 24 кГц моно, как их отправляет OpenAI |
Аудио приходит целиком: потоковой передачи нет, а stream_format: "sse" возвращает 400.
Холодные старты, без прикрас
Обе модели работают на GPU, которые засыпают, когда их никто не использует. Первый запрос после тишины ждёт, пока модель загрузится: около 45 секунд на qwen3-tts и до 2 минут на zonos2. Дальше действуют скорости из таблицы. Задайте HTTP-клиенту таймаут, покрывающий загрузку, и, если важна задержка, отправляйте пачку строк одну за другой, а не по одной в час. За ожидание вы не платите, только за сделанные секунды аудио.
Что с этим строят
Обновления заказов, подсказки при онбординге и уведомления фиксированным готовым голосом, на языке каждого пользователя.
По одному созданному голосу на персонажа, каждый сохраняется как голос.
Одно и то же предложение на десяти языках одним готовым голосом, замедленное через speed.
Агент пишет ответ любой чат-моделью и озвучивает его через qwen3-tts тем же ключом.
Персонажи в видеокадрах могут говорить сохранённым голосом.
Сколько вы платите
$0.036 за минуту аудио на обеих моделях, оплата по секундам, минимум одна секунда за запрос. Выбранный speed меняет то, сколько секунд вы получите, и именно за них платите. За неудачный запрос не списывают, и удержания нет: запросу нужен только положительный баланс. Каждый вызов появляется в ваших логах со сделанными секундами. Подписки нет; остальной прайс-лист с тем же балансом — в разделе цены.
Нужен большой объём по минимальной цене? kokoro-82m — небольшая модель с открытыми весами от hexgrad: 54 готовых голоса (af_heart, bm_george, zf_xiaoxiao и другие), американский и британский английский, испанский, французский, хинди, итальянский, японский, португальский и китайский, без ожидания пробуждения; цена — $0.008 за минуту аудио, оплата по секундам. Нет инструкций, эмоций и клонирования, ответ — MP3, WAV или PCM.
Нужна игра, а не просто озвучка? drama-3 — выразительная модель Fish Audio: указания в [скобках] ([whispering], [voice breaking]) в любом месте текста, клонирование голоса из WAV или MP3 и 83 языка за $0.09 за минуту звука. Возвращает только MP3 с обычной скоростью.
| Модель | Вход → выход | Цена |
|---|---|---|
| Qwen3-TTS 1.7B qwen3-tts | text→speech | $0.036 за минуту |
| ZONOS2 zonos2 | text→speech | $0.036 за минуту |
| Kokoro 82M kokoro-82m | text→speech | $0.008 за минуту |
| Fish Audio Drama 3 drama-3 | text→speech | $0.09 за минуту |
Актуальные цены в долларах — столько же списывает API.
Частые вопросы
Совместимо ли это с API озвучки OpenAI?+
Да. Это тот же эндпоинт, POST /v1/audio/speech, с теми же полями и форматами вывода, поэтому официальные SDK OpenAI работают с https://lovelyrouter.com/v1. Имена голосов OpenAI сопоставляются с ближайшим готовым голосом. Дополнительные поля (language, emotion, seed, клонирование) необязательны.
Сколько стоит синтез речи?+
$0.036 за минуту аудио на обеих моделях, оплата по секундам с минимумом одна секунда за запрос. Неудачные запросы бесплатны.
Какие языки поддерживаются?+
qwen3-tts говорит на 10 языках: китайском, английском, японском, корейском, немецком, французском, русском, португальском, испанском и итальянском. zonos2 говорит более чем на 40, лучше всего на английском, китайском и японском.
Почему мой первый запрос занял так много времени?+
Модель спала и должна была загрузиться: около 45 секунд для qwen3-tts, до 2 минут для zonos2. Запросы сразу после этого быстрые. За ожидание не списывают.
Насколько длинным может быть текст?+
До 4 096 символов на запрос и до 1 000 символов в instructions. Разбейте более длинный сценарий на несколько запросов тем же голосом.
Можно ли передавать аудио потоком по мере создания?+
Пока нет. Аудио возвращается одним ответом, когда готово.
Все поля и ошибки — в справочнике по аудио API; в руководстве по озвучке есть список голосов и другие примеры.
Один предоплаченный ключ для моделей, данных и агентов
Без подписки. Пополняйте баланс, используйте сколько нужно и смотрите каждое списание в логах.