Audio Speech API

Converte texto em fala. Compatível com o POST /v1/audio/speech da OpenAI; o corpo da resposta é o próprio arquivo de áudio (binário), não JSON.

Família	Modelo	Observação
ElevenLabs	`elevenlabs/eleven_v4`	Consulte ElevenLabs
Gemini TTS	`google/gemini-3.8-flash-tts` e outros	Consulte Gemini TTS

Os valores aceitos por parâmetros como voice e response_format variam conforme o modelo; a página de cada família é a referência.

Início rápido

base_urlhttps://api.ofox.ai/v1

Endpointhttps://api.ofox.ai/v1/audio/speech

ID do modelogoogle/gemini-3.8-flash-tts

Python

speech.py


import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])
 
with client.audio.speech.with_streaming_response.create(
    model="google/gemini-3.8-flash-tts",
    voice="Kore",
    input="Olá, boas-vindas à síntese de voz da OfoxAI.",
    response_format="wav",
) as resp:
    resp.stream_to_file("speech.wav")

Parâmetros da requisição

modelobrigatóriostring

ID do modelo; consulte a tabela acima.

inputobrigatóriostring

Texto a ser sintetizado. Se estiver vazio, retorna 400.

voicestring

Voz. Obrigatório no Gemini TTS, com o nome de uma voz do Google (por exemplo, Kore); no ElevenLabs, o valor é o ID da voz (por exemplo, 21m00Tcm4TlvDq8ikWAM). Os nomes de voz da OpenAI (como alloy) não se aplicam a essas duas famílias.

response_formatstring

Formato do áudio. Os valores aceitos variam conforme o modelo: Gemini TTS suporta wav e pcm; ElevenLabs suporta mp3, opus, wav e pcm. Um formato não suportado retorna 400.

instructionsstring

Instruções de tom e estilo, como “leia em tom alegre”. Aplica-se ao Gemini TTS.

language_codestring

Código de idioma, como cmn-CN (Gemini TTS) ou zh (ElevenLabs). Se omitido, o modelo deduz o idioma a partir do texto.

stream_formatstring· valoressse

Com sse, os trechos de áudio são retornados em streaming via Server-Sent Events. Aplica-se ao Gemini TTS.

provider_optionsobject

Parâmetros específicos do provedor, repassados ao provedor correspondente, por exemplo {"elevenlabs": {"voice_settings": {...}}} no ElevenLabs. Consulte a página de cada família.

Resposta

Em caso de sucesso, HTTP 200; o corpo da resposta é o arquivo de áudio, com o Content-Type correspondente ao formato:

response_format	Content-Type
`mp3`	`audio/mpeg`
`wav`	`audio/wav`
`opus`	`audio/ogg`
`pcm`	`audio/L16;rate=<taxa de amostragem>;channels=1`, PCM de 16 bits sem cabeçalho de arquivo

Grave o corpo da resposta diretamente em um arquivo. Em caso de erro, a resposta é JSON, com Content-Type igual a application/json; verifique o status antes, para não gravar a mensagem de erro como arquivo de áudio.

Erros comuns

HTTP	Mensagem de erro original	Causa	Solução
400	`model and input are required.`	Falta `model`, ou `input` está vazio	Preencha os parâmetros
400	`voice is required for speech completion`	`voice` não foi enviado no Gemini TTS	Envie um nome de voz, como `Kore`
400	`unsupported Gemini response_format: mp3`	O modelo não suporta o formato escolhido	Use um formato listado na página da família
400	`Request contains an invalid argument.`	O nome de voz do Gemini TTS não existe	Use um nome de voz válido
404	`A voice with voice_id 'alloy' was not found.`	O ID de voz do ElevenLabs não existe	Use um ID de voz válido
400 `endpoint_not_supported`	`Model 'openai/gpt-5.4' does not support the /v1/audio/speech endpoint on this platform.`	O modelo escolhido não é de síntese de voz	Use um modelo da tabela acima

A descrição completa dos códigos de erro está em Tratamento de erros.