ഹോം / ഗൈഡുകൾ / സൗജന്യ text to speech API

സൗജന്യ text to speech API

text to speech (TTS) API വാചകത്തെ സംസാരിക്കുന്ന ഓഡിയോ ആക്കി മാറ്റുന്നു. ചില providers അക്ഷര അല്ലെങ്കിൽ അഭ്യർത്ഥന പരിധികളോടെ TTS സൗജന്യമായി നൽകുന്നു. speech മോഡലുകൾ നൽകുന്ന providers-ലേക്ക് FreeLLMAPI /v1/audio/speech അഭ്യർത്ഥനകൾ അയയ്ക്കുന്നു. ഒരു provider പരാജയപ്പെടുകയോ അതിന്റെ പരിധിയിലെത്തുകയോ ചെയ്താൽ, router അടുത്തതിനെ പരീക്ഷിക്കുന്നു.

കോഡ്, മോഡൽ പേരുകളും തത്സമയ കാറ്റലോഗ് ലേബലുകളും ഇംഗ്ലീഷിൽ കാണിക്കുന്നു.

സൗജന്യ text to speech providers

സൗജന്യ TTS വിഹിതമുള്ള providers പട്ടിക കാണിക്കുന്നു. ഓരോ പരിധിയും ഔദ്യോഗിക provider പേജിൽ ഞങ്ങൾ പരിശോധിച്ചു. സൗജന്യ speech പരിധികൾ അക്ഷരങ്ങൾ, അഭ്യർത്ഥനകൾ, അല്ലെങ്കിൽ പ്രതിദിന compute ബജറ്റ് ഉപയോഗിക്കുന്നു, അതിനാൽ അവ ശ്രദ്ധയോടെ താരതമ്യം ചെയ്യുക.

provider പേജുകളിൽ നിന്നുള്ള സൗജന്യ TTS വിഹിതങ്ങൾ, 2026 നവംബർ 20-ന് പരിശോധിച്ചത്
Providerമോഡൽസൗജന്യ വിഹിതം (ഔദ്യോഗികം)ഔട്ട്പുട്ട്കുറിപ്പുകൾ
GroqOrpheus English, Orpheus Arabic (Saudi)പ്രതിദിന പരിധികളുള്ള സൗജന്യ പ്ലാൻ. ഓരോ അഭ്യർത്ഥനയ്ക്കും പരമാവധി 200 അക്ഷരങ്ങൾWAV മാത്രംആദ്യം ഒരു organization admin Groq console-ൽ മോഡൽ നിബന്ധനകൾ അംഗീകരിക്കണം
Google AI StudioGemini 2.5 Flash TTS (preview)സൗജന്യ ടിയർ: input ഉം output ഉം സൗജന്യമാണ്, നിരക്ക് പരിധികളോടെWAVനിരവധി ശബ്ദങ്ങൾ. സ്വാഭാവിക സംസാരത്തിന് നല്ലത്
Cloudflare Workers AIMeloTTSദിവസവും 10,000 neurons. MeloTTS ഓരോ audio മിനിറ്റിനും 18.63 neurons ഉപയോഗിക്കുന്നുWAVമറ്റ് മോഡലുകൾ ബജറ്റ് ഉപയോഗിക്കുന്നില്ലെങ്കിൽ ദിവസവും ഏകദേശം 536 audio മിനിറ്റ്. ഭാഷാ selector ഉണ്ട്, voice selector ഇല്ല
Cloudflare Workers AIDeepgram Aura 1അതേ 10,000 neurons. Aura 1 ഓരോ 1,000 അക്ഷരങ്ങൾക്കും 1,363.64 neurons ഉപയോഗിക്കുന്നുMP3ദിവസവും ഏകദേശം 7,300 അക്ഷരങ്ങൾ
SpeechifySimbaപ്രതിമാസം 500,000 അക്ഷരങ്ങൾ, കാർഡ് ആവശ്യമില്ലMP3സൗജന്യ പ്ലാനിൽ വാണിജ്യ ഉപയോഗം പട്ടികപ്പെടുത്തിയിരിക്കുന്നു. Simba 3.5 2026 നവംബർ 21 മുതൽ 333,000 അക്ഷരങ്ങളായി കുറയുന്നു
CartesiaSonicപ്രതിമാസം 20,000 credits. 1 credit എന്നാൽ 1 അക്ഷരംWAVവാണിജ്യ ഉപയോഗ ലൈസൻസ് പണമടച്ച പ്ലാനുകളിൽ മാത്രമേ പട്ടികപ്പെടുത്തിയിട്ടുള്ളൂ

"ഏകദേശം" എന്ന സംഖ്യകൾ പ്രസിദ്ധീകരിച്ച നിരക്കുകളിൽ നിന്നുള്ള ഞങ്ങളുടെ കണക്കുകൂട്ടലാണ്. Cloudflare ബജറ്റ് ഒരു അക്കൗണ്ടിലെ എല്ലാ Workers AI മോഡലുകളും പങ്കിടുന്നു, chat, image മോഡലുകൾ ഉൾപ്പെടെ.

ഘട്ടം 1: FreeLLMAPI ഇൻസ്റ്റാൾ ചെയ്ത് speech കീകൾ ചേർക്കുക

FreeLLMAPI ഓപ്പൺ സോഴ്സ് ആണ്. ഇത് Docker-ൽ നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കുന്നു. നിങ്ങളുടെ provider കീകൾ നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ തന്നെ തുടരുന്നു.

ഇൻസ്റ്റാൾ ചെയ്യുക (macOS അല്ലെങ്കിൽ Linux)

curl -fsSL https://freellmapi.co/install.sh | bash

http://localhost:3001-ൽ ഡാഷ്‌ബോർഡ് തുറക്കുക. Keys പേജിൽ നിങ്ങളുടെ കീകൾ ചേർക്കുക. ഒരു Groq കീയോ ഒരു Google AI Studio കീയോ അവയുടെ speech മോഡലുകളും പ്രവർത്തനക്ഷമമാക്കുന്നു. പിന്നെ speech മോഡലുകൾ കാണാൻ Models, Audio തുറന്ന് അവ ഓണാക്കുകയോ ഓഫാക്കുകയോ ചെയ്യുക. Keys പേജിൽ നിന്ന് ഏകീകൃത കീ പകർത്തുക.

ഘട്ടം 2: സംസാരം സൃഷ്ടിക്കുക

endpoint OpenAI അഭ്യർത്ഥന ഫോർമാറ്റ് ഉപയോഗിക്കുന്നു. input ഫീൽഡ് നിർബന്ധമാണ്. model, voice, response_format ഫീൽഡുകൾ ഓപ്ഷണലാണ്. പ്രതികരണ ബോഡി ഓഡിയോ ഫയലാണ്.

curl: router-നെ provider തിരഞ്ഞെടുക്കാൻ അനുവദിക്കുക

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.txt

Python: Groq Orpheus English നിശ്ചയിക്കുക

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")

ഓഡിയോ ഉണ്ടാക്കിയ provider X-Provider ഹെഡർ കാണിക്കുന്നു. ഫോർമാറ്റ് Content-Type ഹെഡർ കാണിക്കുന്നു, ഉദാഹരണത്തിന് audio/wav അല്ലെങ്കിൽ audio/mpeg.

ശബ്ദങ്ങൾ, ഫോർമാറ്റുകൾ, വാചക നീളം

  • ശബ്ദങ്ങൾ: alloy പോലുള്ള സാധാരണ OpenAI ശബ്ദ പേരുകൾ പല providers-ലും പരീക്ഷിച്ച ഒരു നേറ്റീവ് ശബ്ദത്തിലേക്ക് മാപ്പ് ചെയ്യുന്നു. നേറ്റീവ് ശബ്ദ പേരും നിങ്ങൾക്ക് അയയ്ക്കാം, ഉദാഹരണത്തിന് Orpheus English-ന് troy അല്ലെങ്കിൽ Orpheus Arabic-ന് fahad.
  • ഫോർമാറ്റുകൾ: ഓരോ provider-ഉം സ്വന്തം ഫോർമാറ്റ് ഉണ്ടാക്കുന്നു. Groq Orpheus ഉം Cloudflare MeloTTS ഉം WAV ഉണ്ടാക്കുന്നു. Cloudflare Aura MP3 ഉണ്ടാക്കുന്നു. ഉണ്ടാക്കാൻ കഴിയാത്ത ഫോർമാറ്റ് ഒരു provider നിരസിക്കുന്നു. തെറ്റായ ലേബലോടെ ഒരു ഫയൽ അയയ്ക്കുന്നില്ല.
  • വാചക നീളം: Groq ഓരോ അഭ്യർത്ഥനയ്ക്കും പരമാവധി 200 അക്ഷരങ്ങൾ സ്വീകരിക്കുന്നു. നീണ്ട വാചകം വാക്യങ്ങളായി വിഭജിച്ച്, ഓരോ വാക്യത്തിനും ഒരു അഭ്യർത്ഥന അയയ്ക്കുക.
  • ഭാഷ: Orpheus-ന് English, Saudi Arabic മോഡലുകളുണ്ട്. Cloudflare-ലെ MeloTTS ഈ adapter വഴി English ഉപയോഗിക്കുന്നു.

Python: നീണ്ട വാചകം ചെറിയ അഭ്യർത്ഥനകളായി വിഭജിക്കുക

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}")

ഉപയോഗത്തിനുള്ള നിയമങ്ങളും കുഴികളും

  • ലൈസൻസ് നിബന്ധനകൾ: സൗജന്യ പ്ലാനുകൾ വാണിജ്യ ഉപയോഗം പരിമിതപ്പെടുത്തിയേക്കാം. Cartesia വാണിജ്യ ലൈസൻസ് പണമടച്ച പ്ലാനുകളിൽ മാത്രമേ പട്ടികപ്പെടുത്തുന്നുള്ളൂ. audio പ്രസിദ്ധീകരിക്കുന്നതിന് മുമ്പ് ഓരോ provider-ന്റെയും നിബന്ധനകൾ വായിക്കുക.
  • പങ്കിട്ട വിഹിതങ്ങൾ: പ്രതിമാസ അക്ഷര വിഹിതം അക്കൗണ്ടിനുള്ളതാണ്. കൂടുതൽ ശബ്ദങ്ങളോ കൂടുതൽ മോഡലുകളോ കൂടുതൽ അക്ഷരങ്ങൾ നൽകുന്നില്ല.
  • Groq console-ലെ നിബന്ധനകൾ: ഒരു admin മോഡൽ നിബന്ധനകൾ അംഗീകരിക്കുന്നതുവരെ Groq ഒരു പിശക് നൽകുന്നു. നിങ്ങൾക്ക് വേണ്ടി FreeLLMAPI നിബന്ധനകൾ അംഗീകരിക്കുന്നില്ല.
  • മിശ്ര ഫോർമാറ്റുകൾ: model: "auto" ഉപയോഗിച്ചാൽ, രണ്ട് അഭ്യർത്ഥനകൾ വ്യത്യസ്ത providers-ൽ നിന്ന് വരാം. ഫയലുകൾ ചേർക്കുന്നതിന് മുമ്പ് Content-Type പരിശോധിക്കുക, അല്ലെങ്കിൽ ഒരു മോഡൽ നിശ്ചയിക്കുക.
  • ഭാഗങ്ങൾ ചേർക്കുക: ffmpeg പോലുള്ള ഒരു ടൂൾ ഉപയോഗിച്ച് audio ഭാഗങ്ങൾ ചേർക്കുക. എല്ലാ ഭാഗങ്ങൾക്കും ഒരേ ഫോർമാറ്റും ഒരേ sample rate ഉം ഉണ്ടായിരിക്കണം, അതിനാൽ ഒരു രേഖയ്ക്ക് ഒരു മോഡൽ നിശ്ചയിക്കുക.
  • വെട്ടിക്കുറയ്ക്കൽ: വിഭജന ഉദാഹരണം ഓരോ ഭാഗവും 200 അക്ഷരങ്ങളിൽ മുറിക്കുന്നു. നിങ്ങളുടെ വാക്യങ്ങൾ അതിനേക്കാൾ ചെറുതാക്കി വയ്ക്കുക, അല്ലെങ്കിൽ ഒരു വാക്ക് നഷ്ടപ്പെട്ടേക്കാം.

പ്രശ്നപരിഹാരം

പ്രശ്നംകാരണംപരിഹാരം
ഒരു ഫോർമാറ്റിൽ Error 400ആ ഫോർമാറ്റ് provider-ന് ഉണ്ടാക്കാൻ കഴിയില്ലresponse_format നീക്കം ചെയ്യുക, അല്ലെങ്കിൽ Orpheus-ൽ നിന്ന് wav അഭ്യർത്ഥിക്കുക
നീണ്ട വാചകത്തിൽ Groq അഭ്യർത്ഥന പരാജയപ്പെടുന്നുവാചകത്തിൽ 200-ലധികം അക്ഷരങ്ങളുണ്ട്വാചകം ചെറിയ ഭാഗങ്ങളായി വിഭജിക്കുക
നിബന്ധനകളെക്കുറിച്ചുള്ള Groq പിശക്മോഡൽ നിബന്ധനകൾ അംഗീകരിച്ചിട്ടില്ലGroq console-ൽ നിബന്ധനകൾ അംഗീകരിക്കുക
ഓഡിയോ ഫയൽ പ്ലേ ആകുന്നില്ലഫയൽ എക്സ്റ്റൻഷൻ ഫോർമാറ്റുമായി പൊരുത്തപ്പെടുന്നില്ലഎക്സ്റ്റൻഷൻ സജ്ജമാക്കാൻ Content-Type ഹെഡർ ഉപയോഗിക്കുക
Error 503ഒരു speech മോഡലും പ്രവർത്തനക്ഷമമല്ലഒരു കീ ചേർക്കുക, Models, Audio-ൽ ഒരു മോഡൽ ഓണാക്കുക
ഇവയെല്ലാം ഒരൊറ്റ കീ വഴി ഉപയോഗിക്കുക. FreeLLMAPI ഒരു ഓപ്പൺ-സോഴ്സ്, സ്വയം ഹോസ്റ്റ് ചെയ്യാവുന്ന റൂട്ടറാണ്. ഇത് ഈ സൗജന്യ ടയറുകളെല്ലാം ഒരൊറ്റ OpenAI-അനുയോജ്യ എൻഡ്‌പോയിന്റിനു പിന്നിൽ വയ്ക്കുന്നു. ഒരു മോഡലിന്റെ നിരക്ക് പരിധി എത്തുമ്പോൾ മറ്റൊന്നിലേക്ക് മാറുന്നു. കാറ്റലോഗ് ബ്രൗസ് ചെയ്യുക അല്ലെങ്കിൽ തത്സമയമാക്കുക.

പതിവ് ചോദ്യങ്ങൾ

സൗജന്യ text to speech API ഉണ്ടോ?

ഉണ്ട്. Groq, Google AI Studio, Cloudflare Workers AI, Speechify, Cartesia എന്നിവ പരിധികളോടെ സൗജന്യ text to speech നൽകുന്നു. FreeLLMAPI ഒരു കീ വഴി ഈ providers-ലേക്ക് /v1/audio/speech അഭ്യർത്ഥനകൾ അയയ്ക്കുന്നു.

ഏത് സൗജന്യ text to speech API-ക്ക് ഏറ്റവും കൂടുതൽ അക്ഷരങ്ങളുണ്ട്?

പട്ടികയിലെ providers-ൽ, Speechify അതിന്റെ സൗജന്യ പ്ലാനിൽ പ്രതിമാസം 500,000 അക്ഷരങ്ങൾ പട്ടികപ്പെടുത്തുന്നു. Cartesia പ്രതിമാസം 20,000 credits പട്ടികപ്പെടുത്തുന്നു, ഓരോ അക്ഷരത്തിനും 1 credit.

സൗജന്യ text to speech audio വാണിജ്യപരമായി ഉപയോഗിക്കാമോ?

അത് provider-നെ ആശ്രയിച്ചിരിക്കുന്നു. Speechify അതിന്റെ സൗജന്യ പ്ലാനിൽ വാണിജ്യ ഉപയോഗം പട്ടികപ്പെടുത്തുന്നു. Cartesia വാണിജ്യ ലൈസൻസ് പണമടച്ച പ്ലാനുകളിൽ മാത്രമേ പട്ടികപ്പെടുത്തുന്നുള്ളൂ. ഓരോ provider-ന്റെയും നിബന്ധനകൾ വായിക്കുക.

സൗജന്യ text to speech-ന് OpenAI SDK പ്രവർത്തിക്കുമോ?

ഉവ്വ്. base_url എന്നത് http://localhost:3001/v1 ആയി സജ്ജമാക്കി client.audio.speech.create വിളിക്കുക. router ഒരു provider തിരഞ്ഞെടുത്ത് ഓഡിയോ bytes തിരികെ നൽകുന്നു.

അനുബന്ധ ഗൈഡുകൾ

ഉറവിടങ്ങൾ

എല്ലാ ഗൈഡുകളും · എല്ലാ സൗജന്യ മോഡലുകളും കാണുക