મફત ટેક્સ્ટ ટુ સ્પીચ API
ટેક્સ્ટ ટુ સ્પીચ (TTS) API લખાણને બોલાતા ઑડિયોમાં ફેરવે છે. કેટલાક પ્રદાતા અક્ષર કે વિનંતી મર્યાદા સાથે TTS મફત આપે છે. FreeLLMAPI /v1/audio/speech વિનંતીઓ એવા પ્રદાતાઓને મોકલે છે જે સ્પીચ મોડેલ પીરસે છે. જ્યારે એક પ્રદાતા નિષ્ફળ જાય અથવા તેની મર્યાદા પર પહોંચે, ત્યારે રાઉટર આગલા પ્રદાતાનો પ્રયાસ કરે છે.
કોડ, મૉડેલ નામ અને લાઇવ કૅટલૉગ લેબલ અંગ્રેજીમાં બતાવવામાં આવે છે.
મફત ટેક્સ્ટ ટુ સ્પીચ પ્રદાતા
કોષ્ટક મફત TTS ક્વોટા ધરાવતા પ્રદાતા બતાવે છે. અમે દરેક મર્યાદા અધિકૃત પ્રદાતા પેજ પર ચકાસી છે. મફત સ્પીચ મર્યાદા અક્ષરો, વિનંતીઓ અથવા દૈનિક compute બજેટ વાપરે છે, તેથી તેમની કાળજીપૂર્વક તુલના કરો.
| પ્રદાતા | મોડેલ | મફત ક્વોટા (અધિકૃત) | આઉટપુટ | નોંધ |
|---|---|---|---|---|
| Groq | Orpheus English, Orpheus Arabic (Saudi) | દૈનિક મર્યાદા સાથે મફત પ્લાન. દરેક વિનંતી માટે મહત્તમ 200 અક્ષર | ફક્ત WAV | સંસ્થાના admin એ પહેલા Groq console માં મોડેલની શરતો સ્વીકારવી જોઈએ |
| Google AI Studio | Gemini 2.5 Flash TTS (preview) | મફત ટાયર: input અને output મફત છે, રેટ મર્યાદા સાથે | WAV | ઘણા અવાજો. કુદરતી સ્પીચ માટે સારું |
| Cloudflare Workers AI | MeloTTS | દરરોજ 10,000 neurons. MeloTTS દરેક ઑડિયો મિનિટ માટે 18.63 neurons વાપરે છે | WAV | જો બીજું કોઈ મોડેલ બજેટ ન વાપરે, તો દરરોજ લગભગ 536 ઑડિયો મિનિટ. ભાષા પસંદગીકર્તા છે, અવાજ પસંદગીકર્તા નથી |
| Cloudflare Workers AI | Deepgram Aura 1 | એ જ 10,000 neurons. Aura 1 દરેક 1,000 અક્ષર માટે 1,363.64 neurons વાપરે છે | MP3 | દરરોજ લગભગ 7,300 અક્ષર |
| Speechify | Simba | દર મહિને 500,000 અક્ષર, કાર્ડ વગર | MP3 | મફત પ્લાનમાં કોમર્શિયલ ઉપયોગ સૂચિબદ્ધ છે. Simba 3.5 21 નવેમ્બર 2026 થી 333,000 અક્ષર સુધી ઘટે છે |
| Cartesia | Sonic | દર મહિને 20,000 credits. 1 credit એટલે 1 અક્ષર | WAV | કોમર્શિયલ ઉપયોગ લાઇસન્સ ફક્ત પેઇડ પ્લાન પર સૂચિબદ્ધ છે |
"લગભગ" વાળા આંકડા પ્રકાશિત દરો પરથી અમારી ગણતરી છે. Cloudflare બજેટ એક ખાતા પરના બધા Workers AI મોડેલ વચ્ચે વહેંચાય છે, જેમાં ચેટ અને ઇમેજ મોડેલનો સમાવેશ થાય છે.
પગલું 1: FreeLLMAPI ઇન્સ્ટોલ કરો અને સ્પીચ કી ઉમેરો
FreeLLMAPI ઓપન સોર્સ છે. તે Docker માં તમારા કમ્પ્યુટર પર ચાલે છે. તમારી પ્રદાતા કી તમારા કમ્પ્યુટર પર જ રહે છે.
ઇન્સ્ટોલ કરો (macOS અથવા Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 પર ડૅશબોર્ડ ખોલો. Keys પેજ પર તમારી કી ઉમેરો. Groq કી અથવા Google AI Studio કી તેમના સ્પીચ મોડેલ પણ ચાલુ કરે છે. પછી સ્પીચ મોડેલ જોવા અને તેમને ચાલુ કે બંધ કરવા Models, Audio ખોલો. Keys પેજ પરથી તમારી યુનિફાઇડ કી કૉપી કરો.
પગલું 2: સ્પીચ બનાવો
endpoint OpenAI વિનંતી ફોર્મેટ વાપરે છે. input ફીલ્ડ જરૂરી છે. model, voice અને response_format ફીલ્ડ વૈકલ્પિક છે. પ્રતિસાદ બોડી ઑડિયો ફાઇલ છે.
curl: રાઉટરને પ્રદાતા પસંદ કરવા દો
curl http://localhost:3001/v1/audio/speech \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{"model": "auto", "input": "Your order has shipped.", "voice": "alloy"}' \
--dump-header headers.txt \
--output speech.audio
grep -i -E "content-type|x-provider" headers.txtPython: Groq Orpheus English પિન કરો
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
with client.audio.speech.with_streaming_response.create(
model="canopylabs/orpheus-v1-english",
voice="troy", # a native Orpheus voice; "alloy" also maps to troy
input="Your order has shipped. It arrives on Friday.",
response_format="wav", # Orpheus returns WAV only
) as response:
print("Served by:", response.headers.get("x-provider"))
response.stream_to_file("speech.wav")X-Provider હેડર બતાવે છે કે ઑડિયો કયા પ્રદાતાએ બનાવ્યો. Content-Type હેડર ફોર્મેટ બતાવે છે, ઉદાહરણ તરીકે audio/wav અથવા audio/mpeg.
અવાજ, ફોર્મેટ અને લખાણની લંબાઈ
- અવાજ: પ્રમાણભૂત OpenAI અવાજના નામ, જેમ કે
alloy, ઘણા પ્રદાતા પર પરીક્ષિત મૂળ અવાજ સાથે મેળ ખાય છે. તમે મૂળ અવાજનું નામ પણ મોકલી શકો છો, ઉદાહરણ તરીકે Orpheus English માટેtroyઅથવા Orpheus Arabic માટેfahad. - ફોર્મેટ: દરેક પ્રદાતા પોતાનું ફોર્મેટ બનાવે છે. Groq Orpheus અને Cloudflare MeloTTS WAV બનાવે છે. Cloudflare Aura MP3 બનાવે છે. જે ફોર્મેટ બનાવી ન શકે તેને પ્રદાતા નકારે છે. તે ખોટા લેબલ સાથે ફાઇલ મોકલતો નથી.
- લખાણની લંબાઈ: Groq દરેક વિનંતી માટે વધુમાં વધુ 200 અક્ષર સ્વીકારે છે. લાંબા લખાણને વાક્યોમાં વિભાજિત કરો અને દરેક વાક્ય માટે એક વિનંતી મોકલો.
- ભાષા: Orpheus પાસે English અને Saudi Arabic મોડેલ છે. Cloudflare પરનું MeloTTS આ adapter દ્વારા English વાપરે છે.
Python: લાંબા લખાણને ટૂંકી વિનંતીઓમાં વિભાજિત કરો
import re
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
text = open("article.txt").read()
parts = [s for s in re.split(r"(?<=[.!?])\s+", text) if s.strip()]
for i, part in enumerate(parts):
with client.audio.speech.with_streaming_response.create(
model="auto", voice="alloy", input=part[:200],
) as r:
ext = "mp3" if "mpeg" in r.headers.get("content-type", "") else "wav"
r.stream_to_file(f"part-{i:03d}.{ext}")ઉપયોગના નિયમો અને મુશ્કેલીઓ
- લાઇસન્સ શરતો: મફત પ્લાન કોમર્શિયલ ઉપયોગ મર્યાદિત કરી શકે છે. Cartesia કોમર્શિયલ લાઇસન્સ ફક્ત પેઇડ પ્લાન પર સૂચિબદ્ધ કરે છે. ઑડિયો પ્રકાશિત કરતા પહેલાં દરેક પ્રદાતાની શરતો વાંચો.
- વહેંચાયેલા ક્વોટા: માસિક અક્ષર ક્વોટા ખાતા માટે છે. વધુ અવાજ કે વધુ મોડેલ વધુ અક્ષર આપતા નથી.
- Groq console માં શરતો: admin મોડેલની શરતો સ્વીકારે ત્યાં સુધી Groq ભૂલ આપે છે. FreeLLMAPI તમારા વતી શરતો સ્વીકારતું નથી.
- મિશ્ર ફોર્મેટ:
model: "auto"સાથે, બે વિનંતી અલગ પ્રદાતાઓ પરથી આવી શકે છે. ફાઇલો જોડતા પહેલાંContent-Typeતપાસો, અથવા એક મોડેલ પિન કરો. - ભાગો જોડવા: ffmpeg જેવા ટૂલ વડે ઑડિયો ભાગો જોડો. બધા ભાગોનું ફોર્મેટ અને sample rate એક જ હોવો જોઈએ, તેથી એક દસ્તાવેજ માટે એક મોડેલ પિન કરો.
- કાપણી: વિભાજનનું ઉદાહરણ દરેક ભાગને 200 અક્ષર પર કાપે છે. તમારા વાક્યો તેનાથી ટૂંકા રાખો, નહીંતર એક શબ્દ ખોવાઈ શકે છે.
મુશ્કેલી નિવારણ
| સમસ્યા | કારણ | ઉકેલ |
|---|---|---|
| ફોર્મેટ પર ભૂલ 400 | પ્રદાતા તે ફોર્મેટ બનાવી શકતો નથી | response_format દૂર કરો, અથવા Orpheus પાસેથી wav માંગો |
| લાંબા લખાણ પર Groq વિનંતી નિષ્ફળ | લખાણમાં 200 થી વધુ અક્ષર છે | લખાણને ટૂંકા ભાગોમાં વિભાજિત કરો |
| શરતો વિશે Groq ભૂલ | મોડેલની શરતો સ્વીકારવામાં આવી નથી | Groq console માં શરતો સ્વીકારો |
| ઑડિયો ફાઇલ ચાલતી નથી | ફાઇલ extension ફોર્મેટ સાથે મેળ ખાતું નથી | extension સેટ કરવા Content-Type હેડર વાપરો |
| ભૂલ 503 | કોઈ સ્પીચ મોડેલ ચાલુ નથી | કી ઉમેરો અને Models, Audio પર એક મોડેલ ચાલુ કરો |
વારંવાર પૂછાતા પ્રશ્નો
શું મફત ટેક્સ્ટ ટુ સ્પીચ API છે?
હા. Groq, Google AI Studio, Cloudflare Workers AI, Speechify અને Cartesia મર્યાદા સાથે મફત ટેક્સ્ટ ટુ સ્પીચ આપે છે. FreeLLMAPI એક કી વડે /v1/audio/speech વિનંતીઓ આ પ્રદાતાઓને મોકલે છે.
કઈ મફત ટેક્સ્ટ ટુ સ્પીચ API માં સૌથી વધુ અક્ષર છે?
કોષ્ટકના પ્રદાતાઓમાં, Speechify તેના મફત પ્લાન પર દર મહિને 500,000 અક્ષર સૂચિબદ્ધ કરે છે. Cartesia દર મહિને 20,000 credits સૂચિબદ્ધ કરે છે, દરેક અક્ષર માટે 1 credit.
શું મફત ટેક્સ્ટ ટુ સ્પીચ ઑડિયો કોમર્શિયલી વાપરી શકાય?
તે પ્રદાતા પર આધારિત છે. Speechify તેના મફત પ્લાન પર કોમર્શિયલ ઉપયોગ સૂચિબદ્ધ કરે છે. Cartesia કોમર્શિયલ લાઇસન્સ ફક્ત પેઇડ પ્લાન પર સૂચિબદ્ધ કરે છે. દરેક પ્રદાતાની શરતો વાંચો.
શું મફત ટેક્સ્ટ ટુ સ્પીચ માટે OpenAI SDK કામ કરે છે?
હા. base_url ને http://localhost:3001/v1 પર સેટ કરો અને client.audio.speech.create કૉલ કરો. રાઉટર પ્રદાતા પસંદ કરે છે અને ઑડિયો બાઇટ પાછા આપે છે.
સંબંધિત માર્ગદર્શિકાઓ
સ્રોતો
- FreeLLMAPI docs: Images, video and text-to-speech (તપાસ્યું 20 November 2026)
- FreeLLMAPI docs: Groq Orpheus speech (તપાસ્યું 20 November 2026)
- Groq docs: Orpheus text to speech (તપાસ્યું 20 November 2026)
- Gemini Developer API pricing (તપાસ્યું 20 November 2026)
- Cloudflare Workers AI pricing (તપાસ્યું 20 November 2026)
- Speechify API pricing (તપાસ્યું 20 November 2026)
- Cartesia pricing (તપાસ્યું 20 November 2026)