Synteza mowy dla wirtualnych tur nieruchomości

Przez redakcja VoxNieruchomosci · Zaktualizowano 2026-11-19

VoxNieruchomosci to dedykowane API do syntezy mowy, stworzone specjalnie dla agencji nieruchomości potrzebujących automatyzacji produkcji audio do wirtualnych tur. Usługa eliminuje potrzebę logistyki lektorów, umożliwiając masowe generowanie opisów obiektów w czasie zbliżonym do rzeczywistego, co pozwala na natychmiastowe wzbogacenie ofert o profesjonalną narrację.

Na tej stronie znajdziesz konkretne dane techniczne: opis endpointu API, listę 8 dostępnych głosów i 23 wspieranych języków, a także szczegółowy cennik oparty na koszcie za znak. Przedstawiamy również gotowe przykłady integracji z istniejącymi systemami CRMs oraz wyjaśniamy, jak szybko i tanio wdrożyć syntezę mowy do Twojego workflowu bez ukrytych opłat.

Synteza mowy dla wirtualnych tur nieruchomości

Najczęściej zadawane pytania

Czy syntezator mowy obsługuje język polski?

Tak, język polski jest w pełni obsługiwany. System wspiera 23 języki, w tym polski, niezależnie od wybranego głosu. Jeśli nie określisz języka jawnie, system domyślnie zgaduje go na podstawie pisma (teksty łacińskie domyślnie jako angielski), dlatego dla tekstów w innych językach łacińskich należy jawnie ustawić parametr language.

Ile kosztuje wygenerowanie 1000 znaków tekstu?

Koszt wynosi 0,01 USD za 1000 znaków. Cena bazuje na stawce 10 USD za milion znaków, przy czym liczone są również spacje i interpunkcja. Żądania, które się nie powiedzą, są darmowe, a pobrana opłata zostanie zwrócona w całości.

Czy mogę używać wygenerowanych plików audio do celów komercyjnych?

Tak, produkt to API, które zwraca wygenerowane pliki audio. Nie ma ograniczeń co do wykorzystania tych plików. Wygenerowane pliki nie są przechowywane na serwerze, a tekst wejściowy nie jest wykorzystywany do treningu modeli, co zapewnia prywatność Twoich treści.

Jakie są limity szybkości żądań API?

Limit wynosi 60 żądań na minutę na klucz. Przed pierwszym doładowaniem limit ten wynosi 10 żądań na minutę. Żądania przetwarzane są sekwencyjnie, więc przy dużym obciążeniu mogą czekać w kolejce. Długie teksty należy dzielić na fragmenty do 4096 znaków.

Czy syntezator obsługuje SSML do kontroli pauz?

Nie, syntezator nie obsługuje języka SSML. Nie ma również słowników fonetycznych ani niestandardowych słowników wymowy. Kontrola nad treścią polega na wyborze odpowiedniego głosu, prędkości (0,25–4,0) oraz języka, a nie na znacznikach strukturalnych wewnątrz tekstu.

Jakie formaty plików audio są dostępne?

Dostępnych jest pięć formatów: mp3, wav, opus, flac oraz pcm. Możesz wybrać format odpowiedni do Twoich potrzeb technicznych poprzez parametr response_format w żądaniu POST do endpointu /v1/audio/speech. Każdy plik zawiera niewidoczny znak wodny oznaczający go jako syntetyczny.

Czy mogę zmienić klucz API po jego wystawieniu?

Tak, możesz wystawić nowy klucz API w dowolnym momencie. Po wydaniu nowego klucza stary przestaje działać natychmiast. Na koncie znajduje się tylko jeden aktywny klucz w danym czasie, co zapewnia prostą i przejrzystą autoryzację żądań do API.

Jak długo ważny jest kredyt próbny?

Kredyt próbny w wysokości 0,50 USD (około 50 000 znaków) jest ważny przez 7 dni od momentu rejestracji. Kredyt ten jest przyznawany przy rejestracji za pomocą konta Google. Konta utworzone za pomocą e-maila i hasła zaczynają bez tego kredytu.

Czy syntezator przetwarza teksty w języku arabskim?

Tak, język arabski jest jedną z 23 obsługiwanych języków. System wspiera również języki takie jak hiszpański, niemiecki czy japoński. Każdy z 8 dostępnych głosów może mówić każdym z obsługiwanych języków, co pozwala na uniwersalne zastosowanie w różnych rynkach.

Czy dane wejściowe są przechowywane po wygenerowaniu audio?

Nie, wygenerowane pliki audio są zwracane w odpowiedzi i nie są przechowywane. Tekst wejściowy jest używany wyłącznie do wygenerowania dźwięku i nie jest wykorzystywany do treningu modeli. Metadata żądań (czas, znaków, status) są przechowywane tylko w celu rozliczeń.

Jak długo trwa generowanie krótkiego opisu mieszkania?

Krótkie frazy generują się w ciągu kilku sekund. Długie teksty przetwarzane są w tempie zbliżonym do czasu rzeczywistego, co daje około 25 znaków tekstu na sekundę generowania. Żądania są przetwarzane jedno po drugim, więc pod obciążeniem mogą wystąpić opóźnienia w kolejce.

Czy syntezator oferuje streaming audio?

Nie, syntezator nie oferuje strumieniowania audio ani połączeń WebSocket. Wysyłasz tekst, a otrzymujesz gotowy plik audio. Integracja opiera się na standardowym żądaniu POST i otrzymaniu odpowiedzi z plikiem dźwiękowym.

Jak dokonać doładowania konta?

Doładowanie odbywa się wyłącznie poprzez kryptowalutę USDT w sieci TRON (TRC-20). Minimalna kwota doładowania to 5 USD. Środki są automatycznie kredytowane na koncie w ciągu kilku minut po potwierdzeniu transferu. Nie obsługujemy kart, PayPal ani faktur z VAT.

Jakie są wymagania techniczne do integracji API?

Wystarczy wysłać żądanie POST do https://api.72d.info/v1/audio/speech z kluczem Bearer w nagłówku. Możesz użyć oficjalnych bibliotek OpenAI, zmieniając base_url. Wymagany jest JSON z polami model, input, voice i response_format. Brak zewnętrznych zależności.

Pierwsze żądanie

curl

curl https://api.72d.info/v1/audio/speech \
  -H "Authorization: Bearer $TTS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
  --output hello.mp3

Dlaczego API TTS dla wirtualnych tur?

Ilustracja fali dźwiękowej dla: Dlaczego API TTS dla wirtualnych tur?

Automatyzacja syntezy mowy eliminuje konieczność ręcznego nagrywania każdego opisu do wirtualnych tur. API otrzymuje tekst, a zwraca gotowy plik audio, co pozwala agencjom na masową produkcję treści bez logistyki studia.

Każdy obiekt generuje spójny dźwięk niezależnie od tego, kto przygotował opis tekstowy. Eliminacja zmiennych ludzkich zapewnia jednolity standard jakości narracji we wszystkich prezentacjach.

Automatyzacja opisów obiektów

Automatyzacja opisów obiektów

System przetwarza dane z baz nieruchomości i generuje audio automatycznie. Nie ma potrzeby koordynowania grafików lektorów ani harmonogramów nagrań.

Tekst do 4096 znaków jest przetwarzany w jednym żądaniu. Dłuższe opisy są dzielone i łączone w pliki audio.

  • Integracja z istniejącymi systemami CRM nieruchomości
  • Generowanie audio w locie podczas edycji opisu
  • Brak potrzeby fizycznego studia nagraniowego

Konsekwentna jakość narracji

Wybór jednego z 8 presetów głosowych gwarantuje, że ton narracji pozostaje niezmienny od pierwszego do ostatniego obiektu w ofercie.

Jakość dźwięku jest determinowana przez silnik syntezatora, a nie przez uwarunkowania akustyczne różnych pomieszczeń czy stan zdrowia lektora w dniu nagrania.

  • 8 głosów do wyboru (np. Aria, Felix, Atlas)
  • Spójny ton dla całej oferty agencji
  • Brak wariacji wynikających z czynników ludzkich

Szybki czas generowania

Generowanie trwa około czasu rzeczywistego, czyli ok. 25 znaków tekstu na sekundę dźwięku. Krótkie opisy są generowane w kilka sekund.

Żądania są przetwarzane sekwencyjnie. Przy dużym obciążeniu może wystąpić kolejka, ale standardowy przepływ jest szybki i przewidywalny.

  • Prędkość generowania zbliżona do czasu rzeczywistego
  • Gotowość pliku audio w ciągu kilku sekund dla krótkich tekstów
  • Skalowalność przy jednoczesnym przetwarzaniu wielu obiektów

Dostępne głosy i języki

Ilustracja fali dźwiękowej dla: Dostępne głosy i języki

Wygeneruj spójny głos dla każdej nieruchomości, używając jednego z 8 presetów. Dostępne są głosy żeńskie (Aria, Nova, Luna, Sage) oraz męskie (Felix, Milo, Atlas, Orion), bazujące na licencjonowanych nagraniach z bibliotek publicznych.

Usługa obsługuje 23 języki, w tym polski, angielski, niemiecki czy hiszpański. Każdy głos może wymawiać dowolny z dostępnych języków, co umożliwia tworzenie wielojęzycznych tur bez konieczności zatrudniania dodatkowych lektorów.

8 presetów głosowych

Wyświetlacz i aplikacja oferują doboru spośród 8 głosów o charakterystycznym brzmieniu. Aria i Luna sprawdzają się w narracji, podczas gdy Felix i Milo nadają się do treści promocyjnych. Atlas i Orion zapewniają neutralny lub głęboki ton, odpowiedni do prezentacji technicznych.

Głosy są zgodne z formatem żądań OpenAI (tts-1/tts-1-hd), co ułatwia integrację z istniejącym kodem. Każda wygenerowana ścieżka dźwiękowa zawiera niewidoczny znak wodny oznaczający ją jako syntezę komputerową.

  • Aria: ciepły, klarowny narrator
  • Nova: jasny, dynamiczny
  • Luna: miękki, storytelling
  • Sage: spokojny, instruktażowy
  • Felix: energetyczny, promo
  • Milo: przyjazny, konwersacyjny
  • Atlas: neutralny, news
  • Orion: głęboki, dokumentalny

23 obsługiwane języki

System obsługuje 23 języki, w tym polski, angielski, niemiecki, francuski, hiszpański, włoski, portugalski, rosyjski, chiński, japoński i koreański. Nieobsługiwane są języki takie jak wietnamski, tajski, ukraiński czy rumuński.

Wszystkie głosy mówią każdym z obsługiwanych języków z jednakową jakością. Nie ma potrzeby dobierania głosów specyficznych dla danego języka – system adaptuje się do struktury tekstu wejściowego.

  • Arabski, Chiński, Duński, Holenderski
  • Angielski, Fiński, Francuski, Niemiecki
  • Grecki, Hebrajski, Hindi, Włoski
  • Japoński, Koreański, Malajski
  • Norweski, Polski, Portugalski
  • Rosyjski, Hiszpański, Suahili
  • Szwedzki, Turecki

Dostosowanie do języka obiektu

Jeśli nie określisz kodu języka, system zgaduje go na podstawie pisma. Teksty w alfabecie łacińskim są domyślnie interpretowane jako angielskie, dlatego dla tekstów w innych językach łacińskich należy jawnie ustawić parametr language.

Poprawne wskazanie języka w żądaniu API gwarantuje naturalną wymowę i poprawne akcentowanie w przypadku nieruchomości położonych w lokalizacjach zagranicznych lub opisanych w językach obcych.

Jak działa generowanie audio

Ilustracja fali dźwiękowej dla: Jak działa generowanie audio

Interakcja z silnikiem TTS odbywa się poprzez endpoint RESTful POST https://api.72d.info/v1/audio/speech. Żądanie musi zawierać tekst (do 4096 znaków), wybrany model oraz format wyjściowy. System zwraca wygenerowany plik audio w odpowiedzi.

Endpoint API RESTful

Wysyłasz żądanie JSON z tekstem do opisu nieruchomości. Klucz autoryzacyjny (Bearer token) jest wymagany w nagłówku. Proces jest prosty: wysyłasz tekst, otrzymujesz plik dźwiękowy.

Formaty plików audio

Dostępne są formaty mp3, wav, opus, flac oraz pcm. Wybór zależy od wymagań Twojego systemu plików lub odtwarzacza wirtualnej rzeczywistości.

Podział długich tekstów

Jeśli opis domu przekracza 4096 znaków, należy podzielić tekst na części. Każda część jest generowana osobno, a pliki audio są następnie łączone w jedną całość.

Krótkie fragmenty są generowane w kilka sekund, a długie teksty przetwarzane są sekwencyjnie.

Koszt i rozliczenia

Ilustracja fali dźwiękowej dla: Koszt i rozliczenia

Cena wynosi $0,01 za 1000 znaków (wliczając spacje i interpunkcję). Nie ma miesięcznych abonamentów ani stałych opłat. Brak opłat za nieudane żądania – w przypadku błędu syntezy kwota jest zwracana w całości.

Cena za znak

Rozliczamy wyłącznie za zużyte znaki. Przykładowo, krótki opis apartamentu kosztuje ułamek grosza, co pozwala na masową produkcję narracji do tysięcy ofert bez znaczących nakładów.

Bez ukrytych opłat

Nie pobieramy opłat za konwenanse, faktury ani VAT. Każdy żądany format audio i prędkość jest wliczona w cenę bazową. Rozliczenie jest transparentne i widoczne w panelu konta.

Doładowanie USDT

Doładowania przyjmujemy wyłącznie w kryptowalucie USDT (sieć TRON TRC-20). Minimalna kwota doładowania to $5. Środki są widoczne na koncie automatycznie w ciągu kilku minut od potwierdzenia transakcji blockchain.

  • Metoda: USDT TRC-20
  • Minimalna kwota: $5
  • Czas kredytowania: kilka minut
  • Bez kart, bez PayPal

Integracja techniczna

Ilustracja fali dźwiękowej dla: Integracja techniczna

API wykorzystuje endpoint POST https://api.72d.info/v1/audio/speech, przyjmując ciało JSON identyczne ze standardem OpenAI. Dzięki tej kompatybilności, oficjalne biblioteki OpenAI działają po zmianie zmiennej base_url na https://api.72d.info/v1. Wymagane są pola model, input, voice, response_format oraz speed.

Klucz autoryzacji (Bearer Token) przekazywany jest w nagłówku Authorization. Do dyspozycji są dwa modele: tts-1 oraz tts-1-hd, oferujące ten sam silnik syntezatorski i cenę. Klucz można wygenerować na stronie /get-api-key/, gdzie widoczny jest również aktualny stan konta i zużycie.

Kompatybilność z SDK OpenAI

Architektura API naśladuje strukturę żądań OpenAI, co eliminuje potrzebę pisania dedykowanych warstw integracyjnych. Wystarczy wskazać nowy bazowy URL w konfiguracji biblioteki, a istniejące funkcje wysyłające tekst do syntezy zaczną korzystać z naszych serwerów.

  • Standardowy format JSON z polami: input, voice, model, response_format, speed
  • Wsparcie dla bibliotek oficjalnych OpenAI SDK
  • Endpoint: POST https://api.72d.info/v1/audio/speech

Autoryzacja Bearer Token

Dostęp do API zapewnia jedyny aktywny klucz API generowany w panelu użytkownika. Nagłówek Authorization: Bearer tts-... musi towarzyszyć każdemu żądaniu. Klucz można odwołać w dowolnym momencie, co powoduje natychmiastowe unieważnienie poprzedniego tokenu.

  • Nagłówek: Authorization: Bearer <klucz>
  • Jeden aktywny klucz na konto
  • Natychmiastowa ważność nowego klucza

Limit 60 żądań na minutę

Limit wynosi 60 żądań na minutę na klucz API (10 przed pierwszą doładunką). Żądania przetwarzane są sekwencyjnie, więc przy dużym obciążeniu może wystąpić kolejka. Długie teksty muszą być podzielone na fragmenty do 4096 znaków.

  • 60 żądań/minutę po doładunku
  • 10 żądań/minutę przed doładunkiem
  • Przetwarzanie sekwencyjne (kolejkowanie pod obciążeniem)
Integracja techniczna

Zastosowania w branży Nieruchomości

Ilustracja fali dźwiękowej dla: Zastosowania w branży Nieruchomości

Dedykowane API TTS dla agencji nieruchomości umożliwia automatyczne generowanie audio do opisów wirtualnych tur, eliminując konieczność wynajmu lektorów dla każdej nowej oferty.

Rozwiązanie zoptymalizowane jest pod kątem szybkości i niskich kosztów masowej produkcji treści, zapewniając spójną jakość narracji w skali dziennej.

Narracja do filmów promocyjnych

Automatyczne zamienianie tekstów opisów na pliki audio w formatach mp3, wav, opus, flac lub pcm. Tekst do 4096 znaków generowany jest w czasie zbliżonym do rzeczywistego, co pozwala na szybkie publikowanie materiałów w social media i na stronach agentów.

Możliwość wyboru spośród 8 presetów głosowych, w tym dynamicznego Felix lub neutralnego Atlas, idealnych do prezentacji charakterystyki obiektu.

  • Generowanie audio w czasie zbliżonym do rzeczywistego
  • Wspierane formaty: mp3, wav, opus, flac, pcm
  • 8 presetów głosowych dopasowanych do tonu reklamy

Audio przewodnik po apartamencie

Integracja z wirtualnymi turami pozwala na dodanie ścieżki dźwiękowej prowadzącej użytkownika przez przestrzeń. System automatycznie dzieli dłuższe opisy na części, łącząc je w spójny plik audio.

Brak konieczności synchronizacji ręcznej nagrania z wizualizacjami – tekst jest wysyłany do API, a wynik otrzymywany jest jako gotowy plik do wdrożenia.

  • Automatyczne łączenie fragmentów audio
  • Obsługa tekstów do 4096 znaków na żądanie
  • Integracja z workflow agencji

Wielojęzyczne opisy obiektów

Generowanie narracji w 23 językach, w tym angielskim, niemieckim, hiszpańskim i chińskim, bez konieczności zatrudniania natywnych lektorów. Język jest domyślnie wykrywany, ale można go wymusić kodem ISO.

Standardowa cena $0.01 za 1000 znaków pozwala na masowe generowanie wersji językowych bez znaczącego wzrostu kosztów operacyjnych.

  • 23 obsługiwane języki
  • Automatyczne wykrywanie języka lub jego ręczne ustawienie
  • Niski koszt marginesu przy wielojęzyczności

Dane i prywatność

Ilustracja fali dźwiękowej dla: Dane i prywatność

Wprowadzony tekst służy wyłącznie do wygenerowania pliku audio i nie jest wykorzystywany do trenowania modeli językowych. To gwarantuje, że specyficzne opisy nieruchomości pozostają własnością agencji.

Wygenerowany plik dźwiękowy zwracany jest w odpowiedzi API i nie jest przechowywany na serwerach po dostarczeniu. Jedynie metadane żądania (czas, liczba znaków, status) są zapisywane na potrzeby rozliczeń i weryfikacji saldo.

Tekst nie jest używany do uczenia

Wprowadzony przez Ciebie tekst traktowany jest jako jednorazowy argument dla silnika syntezy. Po wygenerowaniu audio nie zostaje on dodany do zbioru danych treningowych modelu.

Brak przechowywania audio

Wygenerowane pliki dźwiękowe są zwracane w odpowiedzi na żądanie API i nie są archiwizowane na naszych serwerach po zakończeniu transferu. Nie tworzymy długoterminowej kopii Twoich opisów nieruchomości.

Meta-dane do rozliczeń

Przechowujemy jedynie metadane żądań: czas wykonania, liczbę znaków oraz status requestu. Są one niezbędne do obliczenia kosztów i naliczenia opłaty za każde wygenerowane żądanie.

Porównanie z tradycyjnym nagrywaniem

Ilustracja fali dźwiękowej dla: Porównanie z tradycyjnym nagrywaniem

Tradycyjna produkcja audio wymaga koordynacji lektorów, rezerwacji studiów i cykli ponownych nagrań przy zmianach. API TTS eliminuje te zależności, zamieniając proces nagrywania w automatyczne wywołanie funkcji API.

W porównaniu do tradycyjnych metod, rozwiązanie oparte na API pozwala na generowanie nagrania w kilka sekund, bez konieczności oczekiwania na dostępność lektora lub harmonogram sesji.

Skalowalność produkcji

Tradycyjne nagrywanie jest ograniczone dostępnością i harmonogramem lektorów. API pozwala na jednoczesne przetwarzanie wielu tekstów, skalując produkcję bez dodatkowego kosztu administracyjnego.

  • Brak limitu liczby nagryń
  • Jednostkowy koszt za znak

Brak logistyki lektorów

Nie musisz rezerwować studiów, umawiać sesji ani koordynować harmonogramu. Generowanie odbywa się automatycznie w chmurze, usuwając potrzebę fizycznej logistyki.

Natychmiastowa dostępność

Audio jest gotowe w kilka sekund. Krótkie fraze generują się natychmiast, a dłuższe teksty są przetwarzane w czasie zbliżonym do rzeczywistego.

Zasady działania usługi

Ilustracja fali dźwiękowej dla: Zasady działania usługi

Każdy wygenerowany plik audio zawiera niewidoczny cyfrowy znak wodny, który jednoznacznie identyfikuje nagranie jako syntetyczną mowę wygenerowaną przez algorytm. Jest to standardowa metoda oznaczania treści AI, która nie wpływa na jakość odbioru ani na możliwość komercyjnego wykorzystania plików przez agencję.

Watermark w audio

Znak wodny jest wstrzykiwany bezpośrednio w strukturę dźwięku i jest niezauważalny dla ludzkiego ucha. Nie wymaga dodatkowych nakładów ani specyficznych odtwarzaczy do weryfikacji, ale zapewnia transparentność treści generowanych automatycznie.

Głosy z bibliotek publicznych

Głosy bazują na licencjonowanych nagraniach z biblioteki LibriTTS-R (CC BY 4.0) oraz odczytach z LibriVox. Podstawą są odczyty książek z domeny publicznej (LibriVox), co zapewnia stabilność prawną i spójność brzmienia.

Wsparcie mailowe

Obsługa klienta odbywa się wyłącznie drogą elektroniczną na adres e-mail. Nie oferujemy numeru telefonu ani czatu na żywo. Odpowiadamy na zgłoszenia techniczne i rozliczeniowe w trybie standardowym, bez gwarancji SLA czy natychmiastowej dostępności operatora.

Posłuchaj 8 głosów

Każdą z poniższych próbek wygenerowano za pomocą tego API z tego samego zdania. Brak zaawansowanych znaczników SSML ogranicza precyzję intonacji.

Awatar głosu aria
ariażeński
Awatar głosu nova
novażeński
Awatar głosu luna
lunażeński
Awatar głosu sage
sageżeński
Awatar głosu felix
felixmęski
Awatar głosu milo
milomęski
Awatar głosu atlas
atlasmęski
Awatar głosu orion
orionmęski

23 języki

Każdy głos potrafi mówić w którymś z tych języków.

Źródła i dalsze lektury

  1. Wikipedia
  2. Creative Commons Attribution 4.0
  3. TRON developer hub: TRC-20
  4. curl documentation
  5. W3C WAI: making audio and video accessible
  6. IETF RFC 7845: Ogg Opus
  7. openai-python on GitHub
  8. openai-node on GitHub
  9. ISO 639 language codes
  10. FFmpeg documentation
  11. LibriTTS-R corpus (OpenSLR 141)
  12. LibriVox public-domain audiobooks

Więcej na tej stronie