Instrumente dialog

Generați voce cu instrumentul generate_dialogue. Alegeți unul dintre cei patru furnizori prin parametrul provider:

• ElevenLabs v3 (provider: "elevenlabs", opțiunea implicită): 26 de voci cu nume umane, prosodia cea mai naturală. O singură voce per apel.
• Google Gemini 3.1 Flash TTS (provider: "google" sau "gemini"): 30 de voci, peste 70 de limbi, un prompt de stil în limbaj natural și etichete expresive inline ([sigh], [laughing], [whispering], [shouting], [extremely fast], [like dracula]) care sunt efectiv interpretate. O singură voce per apel.
• Gemini 3.8 Flash TTS (provider: "gemini-3.8"): o conversație între doi vorbitori într-un singur apel, cu un stil de livrare pentru fiecare replică și etichete între paranteze unghiulare, precum <laugh>. 70 de voci.
• Seed 1.0 Audio (provider: "seed"): audio generativ pornind de la un prompt. Descrieți în proză vocile, efectele sonore și muzica în loc să alegeți o voce, iar din referințe audio puteți clona până la 3 voci.

Tarifele diferă de la un furnizor la altul și nu sunt fixate în această documentație: citiți-le din get_models (filtru model_type: "speech") sau apelați estimate înainte de generare. ElevenLabs, Gemini 3.1 și Gemini 3.8 se facturează la 1000 de caractere; Seed se facturează pe secundă de audio generat.

Pentru dublarea unui video existent în alte limbi, folosiți generate_dubbing de mai jos.

#ElevenLabs v3 (implicit)

elevenlabs/v3 acceptă aceste 26 de voci (sensibile la majuscule). Orice altă valoare este respinsă cu 400 Unsupported voice și nu se taxează creditele. Etichetele audio precum [laughs] sunt eliminate pe server înainte de sinteză (nu sunt rostite).

#Voci feminine

#Voci masculine

#Google Gemini 3.1 Flash TTS

Transmite provider: "google". Gemini adaugă un prompt de stil în limbaj natural (setează tonul, ritmul, accentul, emoția sau un personaj) și interpretează etichetele [tags] inline în loc să le elimine. Acceptă 30 de voci (sensibile la majuscule) și coduri de limbă BCP-47.

Etichetele inline sunt interpretate, nu eliminate: [sigh], [laughing], [uhm], [whispering], [shouting], [sarcasm], [robotic], [extremely fast], [short pause] / [medium pause] / [long pause], și etichete descriptive libere precum [like dracula] sau [excitedly].

#Voci feminine

#Voci masculine

Limbi: Coduri BCP-47 (de ex. en-US, en-GB, es-ES, es-MX, pt-BR, fr-FR, de-DE, it-IT, ja-JP, ko-KR, hi-IN, ar-001, ru-RU, ro-RO, tr-TR, vi-VN, th-TH și peste 70 altele), sau auto pentru detectare automată. Implicit en-US. Apelați get_limits_for_model('text-to-dialogue-gemini') pentru lista completă.

<a id="gemini-3-8"></a>

#Gemini 3.8 Flash TTS

Transmiteți provider: "gemini-3.8". Acesta este furnizorul potrivit pentru o conversație între două voci sau pentru o singură voce a cărei interpretare se schimbă de la o replică la alta. Rezultatul este un fișier WAV (24 kHz mono).

• Simplu: text + voice (implicit Fola), iar style_prompt dă tonul replicii.
• Dialog: speakers este o listă cu 1 sau 2 elemente, [{"voice": "Fola"}, {"voice": "Zephyr"}], numerotate Speaker 1 și Speaker 2 în ordine. dialogue_turns este scenariul ordonat, [{"speaker": "Speaker 1", "text": "...", "style": "slow and dry"}, ...], cu cel mult 50 de replici. Vorbitorul fiecărei replici trebuie declarat în speakers. Când există dialogue_turns, text este ignorat.
• style pe replică (opțional): ton, emoție sau ritm descrise liber, de exemplu "tired night-shift radio host, slow and dry". Cel mult 500 de caractere pe replică și 2000 în total.
• filler_words: true adaugă ezitări naturale, precum „ăă” sau „mm”. Funcționează doar cu doi vorbitori.
• Etichetele folosesc paranteze unghiulare, direct în textul replicii: <laugh>, <sigh>, <whispers>, <short pause>, <long pause>, <gasp>, <chuckle>, <breath>, <cough>, <yawn> și restul celor 40 de etichete acceptate. Etichetele [pătrate] nu sunt interpretate de acest model.
• Fără language_code: modelul deduce limba din text.
• Limită: cel mult 5000 de caractere pentru toate replicile, etichetele incluse. Vocile sau vorbitorii necunoscuți sunt respinși înainte de facturare.
• Facturare: la 1000 de caractere din textul replicilor, cu tot cu etichete, minimum 1 credit.

Voci (70), grupate după utilizare:

Apelați get_limits_for_model('gemini-3-8-flash-tts') pentru lista actuală.

<a id="seed"></a>

#Seed 1.0 Audio

Transmiteți provider: "seed". Seed pornește de la un prompt: text este un „scenariu de regizor” liber, din care pot ieși împreună voci, efecte sonore și muzică de fundal, nu o voce fixă care citește cuvânt cu cuvânt. Nu există parametrul voice, etichetele [...] nu se folosesc, iar parametrii de reglaj ElevenLabs nu se aplică. Descrieți fiecare voce (gen, vârstă, accent, timbru, emoție) în proză. Încărcați skill-ul seed-audio-prompting înainte de a scrie promptul; o replică seacă dă un rezultat sec.

• text (obligatoriu): promptul, cel mult 2048 de caractere.
• Referințe (opțional; imaginea și audio-ul nu se pot combina):
  • o imagine, prin image_url (HTTPS) sau image_data în base64, care ghidează vocea și atmosfera; sau
  • până la 3 referințe audio pentru clonarea vocii, prin audio_references: o listă în care fiecare element este unul dintre {"audio_url": "..."}, {"audio_data": "<base64>"} sau {"speaker": "..."}, fiecare clip de cel mult 30 de secunde. Marcați fiecare voce clonată în text, în ordinea încărcării, cu <<TGT_SPK1>>, <<TGT_SPK2>>, <<TGT_SPK3>> (de exemplu Marcus (..., the actor is <<TGT_SPK1>>) says: "..."). Sunt acceptate și @Voice1, @Audio1 și @Speaker1, normalizate pe server.
• audio_config (opțional): format (mp3, wav, ogg_opus, pcm), sample_rate, speech_rate (-50 până la 100), loudness_rate (-50 până la 100), pitch_rate (-12 până la 12).
• Limite: fiecare referință are cel mult 10 MB, maximum 3 referințe audio sau 1 imagine, iar audio-ul generat are cel mult 120 de secunde.
• Facturare: pe secundă de audio generat (plafonat la 120 de secunde), minimum 1 credit.

Exemplu (Seed, două voci descrise în proză):

{
  "provider": "seed",
  "text": "A quiet coffee shop at dawn, soft rain on the windows. A warm, low-voiced barista in her fifties says: \"First cup's on the house.\" A sleepy young man laughs and answers: \"You say that every morning.\""
}

#generate_dialogue

Generează un clip vocal.

Parametri:

ElevenLabs elimină [HEY] / [laughs] / [whispers] înainte de sinteză. Google interpretează etichetele inline (vezi lista de etichete de mai sus).

Exemplu (Google Gemini):

{
  "provider": "google",
  "text": "[whispering] I have a secret. [laughing] Just kidding!",
  "voice": "Callirrhoe",
  "style_prompt": "Speak playfully, like sharing a fun secret with a friend.",
  "language_code": "en-US"
}

Exemplu (Gemini 3.8, doi vorbitori):

{
  "provider": "gemini-3.8",
  "speakers": [{ "voice": "Fola" }, { "voice": "Zephyr" }],
  "dialogue_turns": [
    { "speaker": "Speaker 1", "text": "Ai auzit? <short pause> S-a mișcat ceva.", "style": "nervous, whispering" },
    { "speaker": "Speaker 2", "text": "<laugh> E pisica. Mereu e pisica.", "style": "amused, relaxed" }
  ],
  "filler_words": true
}

Exemplu (ElevenLabs):

{
  "text": "Bun venit înapoi, ești gata să generezi?",
  "voice": "Rachel",
  "stability": 0.5,
  "language_code": "ro"
}

Răspuns: Întoarce un generation_id. Verificați progresul cu get_status.

#Scene cu mai multe voci

Pentru o conversație între doi vorbitori, folosiți Gemini 3.8 (provider: "gemini-3.8") cu speakers și dialogue_turns: întregul schimb de replici vine într-un singur fișier. Și Seed poate da glas mai multor personaje într-un singur prompt. ElevenLabs și Gemini 3.1 sunt monovoce: apelați instrumentul o dată per replică (ElevenLabs: transmițând previous_text / next_text pentru continuitate prosodică) și concatenați apoi fișierele audio rezultate.

#get_status

Folosiți generation_id returnat de generate_dialogue pentru a verifica progresul. Când statusul este completed, URL-ul fișierului audio se află în array-ul outputs (media_type: "audio").

<a id="generate_dubbing"></a>

#generate_dubbing

Traduce și redublează vorbirea care există deja într-un video și întoarce câte un MP4 dublat pentru fiecare limbă. Două motoare: sonilo-dubbing (implicit) și elevenlabs-dubbing (ElevenLabs, peste 90 de limbi, inclusiv româna, clonarea vocii, un preț pe secundă mai mic). Nu creează muzică, efecte sau subtitrări și nu poate adăuga vorbire unui clip fără sunet. Este cel mai scump model de pe platformă, iar generările nu pot fi rambursate, așa că cereți întâi o cotație cu estimate și acordul explicit al utilizatorului.

Parametri:

Facturare: secundele clipului înmulțite cu numărul de limbi, la tariful pe secundă al motorului ales. Sonilo aplică un minim de 10 secunde totalului, nu fiecărei limbi; ElevenLabs nu are minim. Trei limbi costă de trei ori cât una. Cereți cotația cu estimate(model=<id-ul motorului>, reference_video_seconds=<secundele clipului>, variant_count=<numărul de limbi>).

Răspuns: {generation_id, status: "pending", languages}. Verificați cu get_status până la completed sau failed: interogarea este și cea care încheie rularea, așa că mergeți până la capăt. Câmpul metadata.language al fiecărui rezultat indică limba.

#Credite și limite

• Cost: citiți tariful curent din get_models sau apelați estimate; tarifele diferă de la un furnizor la altul. ElevenLabs, Gemini 3.1 și Gemini 3.8 se facturează la 1000 de caractere (rotunjire: zecimal ≤ 0.3 în jos, > 0.3 în sus; la Gemini 3.8 etichetele contează ca și caractere). Seed se facturează pe secundă de audio generat, plafonat la 120 de secunde.
• Minim: 1 credit pentru orice cerere nevidă.
• Lungime minimă: 5 caractere după eliminarea etichetelor audio.
• Lungime maximă: ElevenLabs 5000 de caractere; Google 4000 de bytes pentru text (și ≤ 8000 de bytes pentru text + style_prompt combinate); Gemini 3.8 5000 de caractere pentru toate replicile, cu tot cu etichete; Seed 2048 de caractere de prompt.

Vedeți Limitări pentru detalii complete.