मोफत टेक्स्ट टू स्पीच API
टेक्स्ट टू स्पीच (TTS) API मजकुराचे बोललेल्या ऑडिओमध्ये रूपांतर करते. काही प्रोव्हायडर वर्ण किंवा विनंती मर्यादांसह TTS मोफत देतात. FreeLLMAPI /v1/audio/speech विनंत्या स्पीच मॉडेल्स पुरवणाऱ्या प्रोव्हायडरकडे पाठवते. एखादा प्रोव्हायडर अयशस्वी झाल्यास किंवा त्याच्या मर्यादेवर पोहोचल्यास, राउटर पुढचा प्रयत्न करतो.
कोड, मॉडेलची नावे आणि थेट कॅटलॉग लेबल इंग्रजीत दाखवले जातात.
मोफत टेक्स्ट टू स्पीच प्रोव्हायडर
तक्त्यात मोफत TTS कोटा असलेले प्रोव्हायडर दाखवले आहेत. प्रत्येक मर्यादा आम्ही अधिकृत प्रोव्हायडर पृष्ठावर तपासली. मोफत स्पीच मर्यादा वर्ण, विनंत्या किंवा दैनिक संगणन बजेट वापरतात, म्हणून त्यांची काळजीपूर्वक तुलना करा.
| प्रोव्हायडर | मॉडेल | मोफत कोटा (अधिकृत) | आउटपुट | टीपा |
|---|---|---|---|---|
| Groq | Orpheus English, Orpheus Arabic (Saudi) | दैनिक मर्यादांसह मोफत प्लॅन. प्रत्येक विनंतीसाठी जास्तीत जास्त 200 वर्ण | फक्त WAV | Groq कन्सोलमध्ये आधी संस्थेच्या अॅडमिनने मॉडेल अटी स्वीकारल्या पाहिजेत |
| Google AI Studio | Gemini 2.5 Flash TTS (preview) | मोफत टियर: इनपुट आणि आउटपुट विनामूल्य, दर मर्यादांसह | WAV | अनेक आवाज. नैसर्गिक बोलण्यासाठी चांगले |
| Cloudflare Workers AI | MeloTTS | दररोज 10,000 neurons. MeloTTS प्रत्येक ऑडिओ मिनिटासाठी 18.63 neurons वापरते | WAV | इतर कोणतेही मॉडेल बजेट वापरत नसल्यास दररोज सुमारे 536 ऑडिओ मिनिटे. भाषा निवडक आहे, आवाज निवडक नाही |
| Cloudflare Workers AI | Deepgram Aura 1 | तेच 10,000 neurons. Aura 1 प्रत्येक 1,000 वर्णांसाठी 1,363.64 neurons वापरते | MP3 | दररोज सुमारे 7,300 वर्ण |
| Speechify | Simba | दरमहा 500,000 वर्ण, कार्डाची गरज नाही | MP3 | मोफत प्लॅनवर व्यावसायिक वापर सूचीबद्ध आहे. Simba 3.5 21 नोव्हेंबर 2026 पासून 333,000 वर्णांपर्यंत कमी होते |
| Cartesia | Sonic | दरमहा 20,000 credits. 1 credit म्हणजे 1 वर्ण | WAV | व्यावसायिक वापराचा परवाना फक्त सशुल्क प्लॅनवर सूचीबद्ध आहे |
"अंदाजे" आकडे प्रकाशित दरांवरून आमची गणना आहे. Cloudflare बजेट एका खात्यावरील सर्व Workers AI मॉडेल्समध्ये सामायिक आहे, ज्यात चॅट आणि इमेज मॉडेल्स समाविष्ट आहेत.
पायरी 1: FreeLLMAPI इन्स्टॉल करा आणि स्पीच की जोडा
FreeLLMAPI ओपन सोर्स आहे. ते Docker मध्ये तुमच्या संगणकावर चालते. तुमच्या प्रोव्हायडर की तुमच्या संगणकावरच राहतात.
इन्स्टॉल करा (macOS किंवा Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 वर डॅशबोर्ड उघडा. Keys पृष्ठावर तुमच्या की जोडा. Groq ची की किंवा Google AI Studio ची की त्यांची स्पीच मॉडेल्सही सक्षम करते. मग Models, Audio उघडा, स्पीच मॉडेल्स पाहा आणि ती चालू किंवा बंद करा. Keys पृष्ठावरून तुमची एकत्रित की कॉपी करा.
पायरी 2: स्पीच तयार करा
एंडपॉइंट OpenAI विनंती फॉरमॅट वापरतो. input फील्ड आवश्यक आहे. model, voice आणि response_format फील्ड ऐच्छिक आहेत. रिस्पॉन्स बॉडी ऑडिओ फाइल आहे.
curl: राउटरला प्रोव्हायडर निवडू द्या
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 पिन करा
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 हेडर दाखवतो की ऑडिओ कोणत्या प्रोव्हायडरने तयार केला. Content-Type हेडर फॉरमॅट दाखवतो, उदाहरणार्थ audio/wav किंवा audio/mpeg.
आवाज, फॉरमॅट आणि मजकुराची लांबी
- आवाज:
alloyसारखी प्रमाणित OpenAI आवाज नावे अनेक प्रोव्हायडरवर चाचणी केलेल्या मूळ आवाजाशी जुळतात. तुम्ही मूळ आवाजाचे नाव देखील पाठवू शकता, उदाहरणार्थ Orpheus English साठीtroyकिंवा Orpheus Arabic साठीfahad. - फॉरमॅट: प्रत्येक प्रोव्हायडर स्वतःचा फॉरमॅट तयार करतो. Groq Orpheus आणि Cloudflare MeloTTS WAV तयार करतात. Cloudflare Aura MP3 तयार करतो. प्रोव्हायडर जो फॉरमॅट तयार करू शकत नाही तो नाकारतो. चुकीचे लेबल असलेली फाइल पाठवत नाही.
- मजकुराची लांबी: Groq प्रत्येक विनंतीसाठी जास्तीत जास्त 200 वर्ण स्वीकारतो. लांब मजकूर वाक्यांमध्ये विभाजित करा आणि प्रत्येक वाक्यासाठी एक विनंती पाठवा.
- भाषा: Orpheus मध्ये English आणि Saudi Arabic मॉडेल्स आहेत. Cloudflare वरील MeloTTS या अॅडॅप्टरद्वारे English वापरते.
Python: लांब मजकूर लहान विनंत्यांमध्ये विभाजित करा
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}")वापराचे नियम आणि अडचणी
- परवाना अटी: मोफत प्लॅन व्यावसायिक वापर मर्यादित करू शकतात. Cartesia व्यावसायिक परवाना फक्त सशुल्क प्लॅनवर सूचीबद्ध करते. ऑडिओ प्रकाशित करण्यापूर्वी प्रत्येक प्रोव्हायडरच्या अटी वाचा.
- सामायिक कोटा: मासिक वर्ण कोटा खात्यासाठी आहे. अधिक आवाज किंवा अधिक मॉडेल्स अधिक वर्ण देत नाहीत.
- Groq कन्सोलमधील अटी: अॅडमिनने मॉडेल अटी स्वीकारेपर्यंत Groq त्रुटी परत करतो. FreeLLMAPI तुमच्यासाठी अटी स्वीकारत नाही.
- मिश्र फॉरमॅट:
model: "auto"सह, दोन विनंत्या वेगवेगळ्या प्रोव्हायडरकडून येऊ शकतात. फाइल जोडण्यापूर्वीContent-Typeतपासा, किंवा एक मॉडेल पिन करा. - भाग जोडणे: ffmpeg सारख्या टूलने ऑडिओ भाग जोडा. सर्व भागांचा फॉरमॅट आणि सॅम्पल रेट एकच असला पाहिजे, म्हणून एका दस्तऐवजासाठी एक मॉडेल पिन करा.
- कापणे: विभाजन उदाहरण प्रत्येक भाग 200 वर्णांवर कापते. तुमची वाक्ये त्यापेक्षा लहान ठेवा, नाहीतर एखादा शब्द गमावला जाऊ शकतो.
समस्यानिवारण
| समस्या | कारण | उपाय |
|---|---|---|
| फॉरमॅटवर त्रुटी 400 | प्रोव्हायडर तो फॉरमॅट तयार करू शकत नाही | response_format काढा, किंवा Orpheus कडून wav मागवा |
| लांब मजकुरावर Groq विनंती अयशस्वी | मजकुरात 200 पेक्षा जास्त वर्ण आहेत | मजकूर लहान भागांमध्ये विभाजित करा |
| अटींबाबत Groq त्रुटी | मॉडेल अटी स्वीकारलेल्या नाहीत | Groq कन्सोलमध्ये अटी स्वीकारा |
| ऑडिओ फाइल चालत नाही | फाइल विस्तार फॉरमॅटशी जुळत नाही | विस्तार सेट करण्यासाठी Content-Type हेडर वापरा |
| त्रुटी 503 | कोणतेही स्पीच मॉडेल सक्षम नाही | की जोडा आणि Models, Audio वर एक मॉडेल चालू करा |
वारंवार विचारले जाणारे प्रश्न
मोफत टेक्स्ट टू स्पीच API आहे का?
हो. Groq, Google AI Studio, Cloudflare Workers AI, Speechify आणि Cartesia मर्यादांसह मोफत टेक्स्ट टू स्पीच देतात. FreeLLMAPI एका कीद्वारे /v1/audio/speech विनंत्या या प्रोव्हायडरकडे पाठवते.
कोणत्या मोफत टेक्स्ट टू स्पीच API मध्ये सर्वाधिक वर्ण आहेत?
तक्त्यातील प्रोव्हायडरमध्ये, Speechify त्याच्या मोफत प्लॅनवर दरमहा 500,000 वर्ण सूचीबद्ध करते. Cartesia दरमहा 20,000 credits सूचीबद्ध करते, प्रत्येक वर्णासाठी 1 credit.
मोफत टेक्स्ट टू स्पीच ऑडिओ व्यावसायिकरित्या वापरता येतो का?
ते प्रोव्हायडरवर अवलंबून आहे. Speechify त्याच्या मोफत प्लॅनवर व्यावसायिक वापर सूचीबद्ध करते. Cartesia व्यावसायिक परवाना फक्त सशुल्क प्लॅनवर सूचीबद्ध करते. प्रत्येक प्रोव्हायडरच्या अटी वाचा.
मोफत टेक्स्ट टू स्पीचसाठी OpenAI SDK काम करतो का?
हो. base_url ला http://localhost:3001/v1 सेट करा आणि client.audio.speech.create कॉल करा. राउटर प्रोव्हायडर निवडतो आणि ऑडिओ बाइट्स परत करतो.
संबंधित मार्गदर्शक
स्रोत
- FreeLLMAPI docs: Images, video and text-to-speech (तपासले 20 November 2026)
- FreeLLMAPI docs: Groq Orpheus speech (तपासले 20 November 2026)
- Groq docs: Orpheus text to speech (तपासले 20 November 2026)
- Gemini Developer API pricing (तपासले 20 November 2026)
- Cloudflare Workers AI pricing (तपासले 20 November 2026)
- Speechify API pricing (तपासले 20 November 2026)
- Cartesia pricing (तपासले 20 November 2026)