Jak działa syntetyczna synteza mowy w API TTS?

Przez redakcja VoxNieruchomosci · Zaktualizowano 2026-11-19

Na tej stronie wyjaśniamy, jak działa syntetyczna synteza mowy w API VoxNieruchomości. Opisujemy pełny proces od przesłania tekstu do otrzymania gotowego pliku audio. Dowiesz się, jak zoptymalizować koszty i szybkość generowania nagrań do wirtualnych tur oraz opisów nieruchomości.

Strona jest przeznaczona dla agencji nieruchomości, które potrzebują automatyzacji produkcji treści. Znajdziesz tu konkretne informacje o limitach, językach, głosach i integracji z systemami CMS. Wszystko na podstawie faktów technicznych, bez zbędnych ozdobników.

Jak działa syntetyczna synteza mowy w API TTS?

Najczęściej zadawane pytania

Co to jest syntezator mowy?

To usługa API, która zamienia tekst w plik audio. Wysłanie żądania POST z tekstem zwraca gotowy plik dźwiękowy. Nie wymaga to instalacji lokalnej ani strumieniowania. Jest to rozwiązanie zoptymalizowane pod kątem masowej produkcji treści dla agencji nieruchomości, działające w chmurze.

Jak TTS różni się od lektora?

Syntezator generuje mowę automatycznie z tekstu w czasie rzeczywistym, bez konieczności nagrywania przez człowieka. Pozwala to na natychmiastową konwersję setek opisów nieruchomości. Nie ma potrzeby koordynacji grafików lektorów ani ponownego nagrywania przy zmianach tekstu, co znacząco obniża koszty produkcji.

Czy syntezator mowy jest naturalny?

Tak, używa silnika tts-1 lub tts-1-hd. Generowane pliki zawierają niewidoczny znak wodny oznaczający mowę syntetyczną. Dźwięk jest klarowny i zrozumiały, choć nie jest to nagranie ludzkie. Jakość zależy od wybranego modelu i głosu, np. Aria czy Felix.

Jakie są limity znaków?

Maksymalnie 4096 znaków na jedno żądanie API. Spacje i interpunkcja liczą się jako znaki. Dla dłuższych opisów nieruchomości należy podzielić tekst na części, wygenerować pliki audio osobno, a następnie je połączyć. Limit to 60 żądań na minutę.

Czy mogę kontrolować tempo mowy?

Tak, parametr speed pozwala regulować prędkość od 0.25 do 4.0. Domyślne tempo to 1.0. Możesz dostosować szybkość odczytu opisu do potrzeb klienta, przyspieszając lub zwalniając wypowiedź głosu, np. Sage czy Milo, w zależności od stylu prezentacji.

Jakie języki są obsługiwane?

API obsługuje 23 języki, w tym polski, angielski, niemiecki, hiszpański i chiński. Każdy głos może mówić każdym z obsługiwanych języków. Jeśli język nie jest określony, system domyślnie wykrywa go na podstawie alfabetu lub ustawia angielski dla tekstu łacińskiego.

Czy syntezator mowy obsługuje polską?

Tak, polski jest w pełni obsługiwany. Możesz jawnie ustawić parametr language na "pl" dla lepszego rozpoznania. Wszystkie 8 głosów, takich jak Luna czy Atlas, radzi sobie z polskim tekstem, co jest kluczowe dla lokalnych agencji nieruchomości.

Jak długo trwa generowanie?

Typowo około 25 znaków na sekundę, co odpowiada prędkości rzeczywistej. Krótkie frazy generują się w kilka sekund. Żądania są przetwarzane sekwencyjnie, więc przy dużym obciążeniu może wystąpić kolejka. Typowa szybkość generowania to około 25 znaków na sekundę, co odpowiada prędkości rzeczywistej.

Czy audio ma watermark?

Tak, każdy wygenerowany plik dźwiękowy zawiera niewidoczny znak wodny. Oznacza on, że mowa została wygenerowana syntetycznie przez API. Jest to standardowa cecha naszych plików, niezależnie od wybranego głosu lub formatu, np. MP3 czy WAV.

Jakie są wymagania systemowe?

Nie wymagana jest instalacja żadnego oprogramowania ani SDK. Wystarczy połączenie internetowe i możliwość wysłania żądania HTTP POST. Możesz użyć dowolnego języka programowania lub narzędzia curl. API działa w chmurze, więc nie ma ograniczeń sprzętowych po stronie klienta.

Czy można używać audio w reklamie?

Tak, wygenerowane pliki są Twoje do wykorzystania. Głosy pochodzą z nagrań licencjonowanych (LibriTTS-R) i publicznych (LibriVox). Audio można wykorzystywać komercyjnie. Nie płacisz za licencje użytkowe, tylko za znaki.

Jak zarządzać kluczami API?

Klucz generujesz na stronie /get-api-key/ po rejestracji. Masz jeden aktywny klucz na konto. Możesz wygenerować nowy w dowolnym momencie, co natychmiast unieważnia poprzedni. Klucz przesyłasz w nagłówku Authorization: Bearer tts-... w każdym żądaniu do API.

Co to jest model tts-1-hd?

To model "tts-1-hd" dostępny w API. Działa na tym samym silniku co tts-1 i ma identyczną cenę. Cena jest identyczna dla obu modeli: $10 za milion znaków. Wybór zależy od preferowanej jakości głosu.

Czy API jest stabilne?

Nie oferujemy SLA ani gwarancji czasu działania. Żądania są przetwarzane sekwencyjnie, co może powodować opóźnienia przy dużym obciążeniu. Dane są bezpieczne, ale nie mamy certyfikatów jak SOC 2 czy HIPAA. Stabilność zależy od obciążenia serwera w danym momencie.

Proces generowania mowy

Ilustracja fali dźwiękowej dla: Proces generowania mowy

Proces generowania mowy rozpoczyna się od wysłania tekstu opisów nieruchomości do endpointu API. Wysyłasz żądanie POST z treścią do 4096 znaków, wybierając model "tts-1" lub "tts-1-hd" oraz konkretny głos.

Silnik syntetyzuje mowę w czasie zbliżonym do rzeczywistego. Długie opisy są dzielone na fragmenty do 4096 znaków, a wygenerowane pliki audio są łączone w jeden plik.

Przesłanie tekstu

Użyj standardowego endpointu POST /v1/audio/speech. Przekaż tekst w polu input i autoryzuj żądanie kluczem API. System automatycznie detektuje język na podstawie skryptu, choć warto go wymusić dla precyzji.

  • Tekst do 4096 znaków na żądanie
  • Autoryzacja Bearer token
  • Automatyczna detekcja języka

Przetwarzanie silnika TTS

Silnik przetwarza tekst sekwencyjnie. Przy krótkich opisach generowanie trwa kilka sekund, a przy dłuższych tekstach praca odbywa się w tempie rzeczywistym (ok. 25 znaków na sekundę). Żądania są przetwarzane po kolei.

Otrzymanie pliku audio

W odpowiedzi otrzymujesz gotowy plik dźwiękowy w wybranym formacie (mp3, wav, opus, flac, pcm). Plik jest zwracany bezpośrednio w ciele odpowiedzi, gotowy do wdrożenia we wirtualnej turze.

Dlaczego TTS dla nieruchomości?

Ilustracja fali dźwiękowej dla: Dlaczego TTS dla nieruchomości?

Generowanie opisu nieruchomości z tekstu do mowy eliminuje konieczność ręcznego nagrywania każdego ogłoszenia. API TTS pozwala na automatyzację procesu produkcji treści dla wirtualnych tur, gdzie każdy obiekt wymaga unikalnego audiodopowiedzi.

System obsługuje duże wolumeny zapytań, dostosowując się do dynamiki rynku.

Skalowalność treści

API przetwarza teksty w tempie zbliżonym do rzeczywistym, umożliwiając generowanie nagrań dla wielu nieruchomości. Limit 60 żądań na minutę na klucz pozwala na płynną integrację z systemami listingowymi.

  • Automatyzacja produkcji treści bez dodatkowego zatrudnienia
  • Obsługa dużych wolumenów zapytań w czasie rzeczywistym

Konsystencja głosu

Użycie jednego presetu głosu (np. "Sage" lub "Atlas") dla wszystkich obiektów w portfolio zapewnia spójną markę. Klient nie słyszy zmiennych intonacji różnych lektorów, co buduje profesjonalny wizerunek agencji.

  • Jeden głos dla wszystkich ofert w portfolio
  • Spójny wizerunek marki w każdej turze

Szybki time-to-market

Tekst jest konwertowany na audio w ciągu kilku sekund dla krótkich opisów. Dzięki temu oferty mogą być publikowane natychmiast po wprowadzeniu danych do CMS, bez czekania na sesje nagraniowe.

  • Generowanie audio w kilka sekund
  • Publikacja ofert w czasie rzeczywistym

Wybór odpowiedniego głosu

Ilustracja fali dźwiękowej dla: Wybór odpowiedniego głosu

Wyboru głosu dokonuje się przez parametr voice w żądaniu API. Dostępnych jest osiem presetów wygenerowanych z nagryń licencyjnych, które nie są klonowaniem własnych głosów, lecz gotowymi profilami audialnymi.

Głosy żeńskie

Aria oferuje ciepły, klarowny ton narracyjny, idealny do prezentacji wnętrz. Nova brzmi wyraźnie i energetycznie, co sprawdza się w dynamicznych opisach. Luna dostarcza miękkiego, opowiadaniowego brzmienia, a Sage – spokojnego, instruktażowego.

  • Aria: ciepły, klarowny narrator
  • Nova: jasny, energetyczny
  • Luna: miękki, storytelling
  • Sage: spokojny, instruktażowy

Głosy męskie

Felix nadaje się do energetycznych reklam promocyjnych. Milo brzmi przyjaznie i konwersacyjnie, co buduje zaufanie u potencjalnych nabywców. Atlas zapewnia neutralny, informacyjny ton, a Orion – głęboki, dokumentalny charakter do profesjonalnych relacji.

  • Felix: energetyczny, promocyjny
  • Milo: przyjazny, konwersacyjny
  • Atlas: neutralny, informacyjny
  • Orion: głęboki, dokumentalny

Dopasowanie do tonu marki

Wybrany głos determinuje odbiór wirtualnej wycieczki. Neutralny Atlas pasuje do inwestycji komercyjnych, podczas gdy ciepła Aria lepiej oddaje klimat domów jednorodzinnych. Każdy głos jest oparty na licencjonowanych nagraniach i posiada niewidoczny znak wodny sygnalizujący syntetyczność.

Języki i lokalizacja

Ilustracja fali dźwiękowej dla: Języki i lokalizacja

System automatycznie rozpoznaje język na podstawie zapisu tekstu. Teksty łacińskie domyślnie są interpretowane jako angielskie, co może być mylące przy opisach nieruchomości w innych językach.

Dla precyzji zawsze należy jawnie ustawić parametr language w żądaniu API. Gwarantuje to poprawną wymowę niezależnie od domyślnych ustawień silnika.

Automatyczna detekcja

API analizuje znaki w przesłanym tekście, aby wywnioskować język źródłowy. Ta metoda jest szybka, ale nie zawsze trafna, szczególnie przy mieszanych znakach łacińskich.

Wymuszanie języka

Jawne podanie kodu ISO (np. pl dla polskiego) w polu language wymusza odpowiedni akcent i intonację. Eliminuje to ryzyko błędnej interpretacji przez algorytm.

Obsługiwane języki

Wsparcie dotyczy 23 języków, w tym polskiego, angielskiego, niemieckiego i arabskiego. Każdy głos potrafi wymówić dowolny z obsługiwanych języków z zachowaniem poprawnej fonetyki.

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

Jakość i ograniczenia

Ilustracja fali dźwiękowej dla: Jakość i ograniczenia

Synteza oparta na licencjonowanych nagraniach z LibriVox zapewnia naturalne brzmienie, zbliżone do profesjonalnych lektorsów. Każdy wygenerowany plik zawiera niewidoczny znak wodny sygnalizujący pochodzenie syntetyczne.

Realizm mowy

Silnik TTS wykorzystuje bazy danych głosów z audiobooków w domenie publicznej, co gwarantuje wysoką klarowność i naturalność wymowy. Teksty nieruchomości są generowane w czasie zbliżonym do rzeczywistego (ok. 25 znaków na sekundę), co zapewnia płynny odbiór informacji o nieruchomościach.

Brak emotii

Generowane mowy nie zawierają tagów emocjonalnych ani zmian intonacji w zależności od kontekstu semantycznego. Głos pozostaje spójny i neutralny, co jest zaletą przy masowym generowaniu opisów technicznych, ale wymaga ręcznego doboru presetu głosu do tonu marki.

Brak SSML

API nie obsługuje języka znaczników SSML, co wyklucza precyzyjne sterowanie pauzami, prędkością akcentowania czy wymową fonetyczną. Dla uzyskania specyficznej pauzy należy użyć interpunkcji lub podzielić tekst w aplikacji klienckiej.

Integracja z CMS

Ilustracja fali dźwiękowej dla: Integracja z CMS

API REST w VoxNieruchomościach działa zgodnie ze standardem zgodnym z OpenAI, co pozwala na łatwą integrację z istniejącymi systemami CRM agencji nieruchomości. Wysyłanie zapytań POST do endpointu /v1/audio/speech zwraca gotowy plik audio, który można natychmiast wstrzyknąć do bazy danych nieruchomości.

Generowanie on-demand pozwala na tworzenie opisu właściwości w locie, tuż przed publikacją ogłoszenia lub wrzuceniem do wirtualnej tury. Nie ma potrzeby wcześniejszego buforowania plików, co oszczędza miejsce na serwerach i upraszcza pipeline treści.

API REST

Interfejs API jest prosty w implementacji. Wymaga jedynie ustawienia base_url na https://api.72d.info/v1 i uwierzytelnienia za pomocą klucza Bearer. Strukturę zapytania można przygotować w dowolnym języku programowania, obsługującym JSON.

  • Endpoint: POST /v1/audio/speech
  • Format: JSON
  • Autoryzacja: Bearer token

Generowanie on-demand

Tekst jest przetwarzany natychmiast po otrzymaniu zapytania. Dla krótkich opisów generowanie trwa kilka sekund, co jest wystarczające do płynnego działania interfejsów webowych agencji.

Przechowywanie audio

Wygenerowane pliki audio nie są przechowywane na serwerach API. Zwracany jest plik audio, który klient musi zapisać we własnej infrastrukturze, np. w chmurze S3 lub na dysku lokalnym agencji.

Koszty generowania

Ilustracja fali dźwiękowej dla: Koszty generowania

Cena wynosi $10 za 1 milion znaków, co daje $0,01 za 1000 znaków. Spacje i interpunkcja wliczają się do rozliczenia. Brak miesięcznych abonamentów lub opłat za przestój pozwala płacić tylko za faktycznie wygenerowane pliki audio.

Cena za znak

Koszt generowania zależy wyłącznie od objętości tekstu wejściowego. Zapiszmy, że każdy znak, łącznie ze spacjami, liczy się do limitu i rozliczenia. Przykładowo, krótki opis pokoju o długości 500 znaków kosztuje ułamek grosza.

  • Cena: $10 / 1 000 000 znaków
  • 1 000 znaków = $0,01

Optymalizacja długości

Długość tekstu przekłada się bezpośrednio na koszt. Skracanie opisów do sedna pozwala zmniejszyć wydatki bez utraty kluczowych informacji o nieruchomości. Limit jednego żądania to 4096 znaków, co wymaga podziału dłuższych tekstów.

  • Limit żądania: 4096 znaków
  • Pobierz API do automatycznego podziału tekstu

Brak opłat za przestój

Nie płacisz za gotowość infrastruktury ani za utrzymanie połączeń. Wyrzucamy model z abonamentami. Koszt ponosisz tylko w momencie wysłania żądania i otrzymania pliku audio.

Koszty generowania

Techniczne aspekty

Ilustracja fali dźwiękowej dla: Techniczne aspekty

API przyjmuje tekst do 4096 znaków na jedno żądanie, co obejmuje spacje i interpunkcję. Tekst przekraczający ten limit wymaga podziału na mniejsze fragmenty przed wysłaniem.

Długie opisy nieruchomości należy podzielić logicznie, a następnie połączyć wygenerowane pliki audio. Żądania są przetwarzane sekwencyjnie, więc przy dużej liczbie fragmentów generowanie może wymagać kilku sekund.

Limit znaków 4096

Każde żądanie POST do endpointu /v1/audio/speech musi zawierać pole input nieprzekraczające 4096 znaków. Przekroczenie tej wartości powoduje błąd walidacji.

  • Limit dotyczy wszystkich znaków, w tym spacji.
  • Krótkie opisy salonów mieszczą się w jednym żądaniu.
  • Pełne opisy domy jednorodzinne wymagają podziału.

Podział długich tekstów

Aby wygenerować mowę z tekstem dłuższym niż 4096 znaków, należy go podzielić na części. Każda część jest przetwarzana osobno, a wyniki łączą się w jeden plik.

  • Podział na zdania zapewnia płynność.
  • Kolejność plików musi być zachowana.
  • Płatność naliczana jest od sumy znaków.

Formaty plików

Wsparcie obejmuje formaty mp3, wav, opus, flac oraz pcm. Wybór zależy od potrzeb integracji z Twoim systemem lub aplikacją mobilną.

  • MP3: optymalny balans jakości i wielkości.
  • WAV: bezstratna jakość dla edycji.
  • OPUS: format kompresji.
  • FLAC: bezstratna kompresja archiwalna.
  • PCM: surowy strumień audio.

Przykłady użycia

Ilustracja fali dźwiękowej dla: Przykłady użycia

Tekst generowany przez API jest idealny do automatyzacji wirtualnych tur. Długie opisy nieruchomości są dzielone na fragmenty do 4096 znaków, a następnie łączone w spójną ścieżkę dźwiękową.

Opis salonu

Tekst wchodzi w JSON jako pole input. System syntezuje go używając głosu "sage" dla neutralnego, profesjonalnego brzmienia. Po otrzymaniu pliku audio, jest on przypisywany do konkretnego obiektu w bazie danych.

Relacja z ogrodu

Krótkie opisy terenów zielonych wymagają szybszego przetwarzania. Dzięki limitowi 60 zapytań na minutę, można zautomatyzować generowanie setek plików dziennie, płacąc tylko za zużyte znaki.

Informacje o lokalizacji

Dane adresowe i dojazdy są konwertowane natychmiastowo. Dźwięk jest zwracany w formacie mp3, gotowy do osadzenia w odtwarzaczu na stronie internetowej agencji.

Dane i prywatność

Ilustracja fali dźwiękowej dla: Dane i prywatność

Tekst wysłany do API jest przetwarzany w chmurze wyłącznie w celu wygenerowania pliku audio. Dane nie są wykorzystywane do trenowania modeli ani do doskonalenia algorytmów syntezatora.

Każde żądanie jest traktowane jako niezależna transakcja. Nie zbieramy danych osobowych z tekstu ani nie łączymy ich z Twoją tożsamością po wygenerowaniu pliku.

Brak treningu na danych

Wprowadzony tekst służy wyłącznie do natychmiastowego wygenerowania mowy. Nie jest on zapisywany w bazie treningowej ani wykorzystywany do uczenia się modelu TTS.

Anonimowość

Metadane żądania (czas, liczba znaków, status) są przechowywane wyłącznie w celu rozliczenia. Nie są one powiązane z treścią tekstu ani z tożsamością użytkownika po transakcji.

Brak przechowywania

Wygenerowany plik audio jest zwracany w odpowiedzi i nie jest przechowywany na naszych serwerach. Po pobraniu pliku przez Twoją aplikację, dane znikają z naszego środowiska.

Wsparcie techniczne

Ilustracja fali dźwiękowej dla: Wsparcie techniczne

Wsparcie techniczne opiera się na jasnej dokumentacji API i bezpośrednim kontakcie mailowym. Nie oferujemy wsparcia telefonicznego ani czatu na żywo, co zapewnia konsekwencję komunikacji. Wszystkie zapytania techniczne są rozwiązywane przez email.

Dokumentacja API

Dokumentacja opisuje strukturę żądań, formaty odpowiedzi oraz przykłady użycia. Wystarczy zmienić bazowy URL w oficjalnych SDK OpenAI na https://api.72d.info/v1, aby rozpocząć integrację.

Kontakt mailowy

Wszystkie pytania techniczne kierujemy na adres email. Odpowiadamy najszybciej jak to możliwe, bez pośredników i systemów automatycznych.

Przykłady kodu

Na stronie /get-api-key/ znajdziesz gotowe przykłady poleceń curl, które można skopiować i dostosować do własnego projektu. Kod pokazuje autoryzację Bearer oraz strukturę JSON.

Przykłady pokrywają podstawowe operacje: generowanie mowy, sprawdzanie dostępności głosów i bilansu konta.

Podsumowanie technologii

Ilustracja fali dźwiękowej dla: Podsumowanie technologii

VoxNieruchomosci to niezależne API TTS w chmurze, dostarczające pliki audio na żądanie. Rozwiązanie nie wymaga instalacji lokalnej ani utrzymania infrastruktury serwerowej.

Dzięki jednolitemu protokołowi REST i kompatybilności z istniejącymi SDK, integracja z systemami CRM i CMS agencji nieruchomości jest szybka i deterministyczna.

Cloud TTS

Tekst jest przetwarzany zdalnie na serwerach API. Wynik to gotowy plik audio, bez konieczności zarządzania zasobami obliczeniowymi przez zespół IT agencji.

Szybka integracja

Endpoint przyjmuje standardowe żądania POST. Działa z bibliotekami OpenAI po zmianie base_url. Wymaga tylko klucza API i tekstu źródłowego.

  • Kompatybilność z istniejącymi narzędziami
  • Minimalna konfiguracja endpointu
  • Automatyczne formatowanie odpowiedzi

Niskie koszty

Cena wynosi $0.01 za 1000 znaków. Brak opłat abonamentowych czy stałych kosztów utrzymania. Płatność tylko za wygenerowane pliki.

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. OpenAI API reference: create speech
  3. LibriTTS-R paper (arXiv 2305.18802)
  4. IETF RFC 7845: Ogg Opus
  5. Creative Commons Attribution 4.0
  6. curl documentation
  7. Python documentation
  8. FFmpeg documentation
  9. Tether (USDT)
  10. MDN: Web Speech API
  11. openai-python on GitHub
  12. TRON developer hub: TRC-20

Więcej na tej stronie