Транскрибация аудио

Для синтеза речи используйте JSON-формат OpenAI. Ответ содержит аудиобайты; по умолчанию возвращается MP3.

curl https://plusvibeapi.ru/v1/audio/speech \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "chatterbox-turbo",
    "input": "Привет от PlusVibe",
    "voice": "default",
    "response_format": "mp3",
    "speed": 1
  }' \
  --output speech.mp3

Доступны модели tts, gemini-tts, gemini-3.8-flash-tts, gemini-3.8-flash-lite-tts, gemini-3.8-flash-tts-lite, chatterbox-tts, kokoro-tts, chatterbox-turbo и gpt-4o-mini-tts. Параметры response_format (mp3, opus, aac, flac, wav, pcm) и speed принимаются в формате OpenAI; ограничения конкретной модели указаны на её странице. Для gpt-4o-mini-tts доступны 13 голосов OpenAI (alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin, cedar) и необязательное поле instructions — подача обычными словами, например «говори спокойно и дружелюбно».

Модель voice-clone-tts озвучивает текст вашим собственным голосом, в том числе по-русски. Сначала один раз создайте голос из записи 3–60 секунд (wav или mp3, до 10 МБ) — это бесплатно. Поле consent: true обязательно: вы подтверждаете, что это ваш голос или у вас есть согласие его владельца. Не больше 5 новых голосов в сутки.

curl https://plusvibeapi.ru/api/media/voices \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Мой голос",
    "consent": true,
    "audio_url": "https://example.com/my-voice.wav"
  }'

В ответе — voice.id вида voice_…. Передайте его в opts.voice_id обычного медиа-запроса; движок qwen3 (по умолчанию, лучшее качество) или chatterbox (эконом). Оплата — за 1000 символов текста, до 4000 символов за запрос.

Голос Premium — максимальная похожесть. Добавьте "engine": "premium" при создании; запись 10–60 секунд. Создание стоит 190 ₽ один раз и списывается, только если голос создан: при ошибке деньги не списываются, при нехватке баланса — ответ 402 до отправки записи. Озвучка — движками MiniMax: minimax-speech-2.8-hd, minimax-speech-2.6-hd, minimax-speech-02-hd (13,54 ₽ за 1000 символов) и их Turbo-версии (8,13 ₽); прежние имена premium / premium-turbo означают speech-02. Сразу после создания мы один раз озвучиваем голосом короткое слово — без этого MiniMax удаляет голос, не использованный 7 дней. Удалённый голос Premium сразу перестаёт работать, но у сервиса синтеза нет удаления, а плата за создание не возвращается.

curl https://plusvibeapi.ru/api/media/generate \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "voice-clone-tts",
    "prompt": "Привет! Это мой клонированный голос.",
    "opts": { "voice_id": "voice_Ab12Cd34Ef56Gh78Ij90", "language": "ru" }
  }'

Голос доступен только вашему аккаунту. Список — GET /api/media/voices, удаление — DELETE /api/media/voices/{voice_id}: запись удаляется и у сервиса синтеза. Сами мы запись не храним.

Голос ElevenLabs. Когда вариант включён, GET /api/media/voices показывает его цены в pricing.elevenlabs_*. Голос создаётся с engine: "elevenlabs" из записи 10–60 секунд (мест для голосов ограниченное число: при нехватке — 409 voice_slots_full), озвучка — движками elevenlabs-v4 и elevenlabs-v4-turbo с параметрами stability, similarity_boost, speed, seed, language и аудиотегами вроде [laughs] прямо в тексте. Вторым файлом результата приходят субтитры JSON с таймингами слов. Цена за 1000 символов: v4 — 3,87 ₽, v4 Turbo — 1,94 ₽ по акции до 12 октября 2026, затем 14,08 ₽ и 7,04 ₽. Хранение голоса — 60 ₽ в месяц (первый месяц входит в создание, дальше списание раз в месяц в дату создания голоса). Если на балансе не хватило средств, голос сохраняется ещё на месяц и удаляется, только если плата не пройдёт и к следующему списанию; мы пришлём письмо. Все голоса и их статус — в разделе «Мои голоса».

Несколько записей. Голосу ElevenLabs можно дать до 25 записей: при создании — массивом samples (каждая запись {"audio_url"} или {"audio_base64"}, wav/mp3 до 10 МБ, вместе до 50 МБ и 10–300 секунд), а позже — через POST /api/media/voices/{voice_id}/samples {"samples": […]}. Добавление бесплатно, плата за хранение остаётся одна на голос. С "remove_background_noise": true ElevenLabs бесплатно убирает фоновый шум из записей (по умолчанию выключено: на чистой записи может ухудшить результат).

Для файла используйте multipart-запрос с полями file и model. Максимальный размер файла — 50 MB. Ответ имеет вид { text: "..." }.

curl https://plusvibeapi.ru/v1/audio/transcriptions \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -F file=@sample.wav \
  -F model=whisper-large-v3 \
  -F language=ru
# → {"text":"..."}

Модели speech-to-text, whisper-large-v3-turbo, nemotron-asr-multilingual и whisper-large-v3. Все тарифицируются по длительности аудио; актуальные цены — в каталоге аудиомоделей. Размер — от 1 байта до 50 MB. Расширение файла отдельно не проверяется; ответ всегда JSON с полем text, параметр response_format не поддерживается.

Асинхронная транскрибация аудио по публичному URL. Создаёте задачу и опрашиваете результат по нашему id.

Создание возвращает 202 с { id, status: "processing" }. Опрашивайте GET /api/transcribe/{id} до статуса success (или fail); тогда в ответе будет text, durationSec, priceRub.

# 1. создать задачу транскрибации (аудио по публичному URL)
curl https://plusvibeapi.ru/api/transcribe \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio_url": "https://example.com/audio.mp3",
    "language": "ru",
    "redact_pii": true
  }'
# → {"id":"...","status":"processing"}