Весело
Весело

Озвучка текста по API (TTS)

TTS API «Весело» — это озвучка текста по одному ключу: ElevenLabs, MiniMax, Fish Audio, Cartesia, Gemini TTS, OpenAI и другие вендоры в одном формате запроса. Отправляешь текст, модель и голос, а в ответ приходит готовый звук: MP3 или другой формат, если модель его умеет. Платишь с API-счёта в рублях, у большинства моделей — за 1 000 знаков.

  • 44 модели
  • от 0,45 ₽ за 1000 знаков
  • 14 вендоров

Обновлено:

Получить ключ Документация

Модели и цены

Озвучка: цена в рублях за 1000 знаков или за запись
МодельВендорЗнаков за разЦена
Fish Audio S2.1 ProFish Audioдо 4 0963,36 ₽ за 1000 букв кириллицы
MiniMax Speech 2.8 HDMiniMaxдо 4 09611,18 ₽ за 1000 знаков
OpenAI TTS-1OpenAIдо 4 0961,68 ₽ за 1000 знаков
Eleven v3ElevenLabsдо 4 09611,18 ₽ за 1000 знаков
Eleven v4ElevenLabsдо 4 0968,94 ₽ за 1000 знаков
Fish Audio S2 ProFish Audioдо 4 0963,36 ₽ за 1000 букв кириллицы
Cartesia Sonic 3.6Cartesiaдо 4 0964,18 ₽ за 1000 знаков
Kokoro 82MHexgradдо 4 0961,12 ₽ за 1000 знаков
Gemini 3.8 Flash TTSGoogleдо 5 000от 9,00 ₽ за озвучку
GPT-4o mini TTSOpenAIдо 3 000от 9,00 ₽ за озвучку
Gemini 3.8 Flash Lite TTSGoogleдо 5 000от 9,00 ₽ за озвучку
Gemini 2.5 Pro TTSGoogleдо 5 000от 9,00 ₽ за озвучку
Gemini 2.5 Flash TTSGoogleдо 5 000от 9,00 ₽ за озвучку
Gemini 3.1 Flash TTSGoogleдо 5 000от 9,00 ₽ за озвучку
Eleven Multilingual v2ElevenLabsдо 4 09611,18 ₽ за 1000 знаков
Inworld TTS-2Inworld AIдо 2 0002,80 ₽ за 1000 знаков
Amazon Polly StandardAmazonдо 3 0000,45 ₽ за 1000 знаков
Eleven Flash v2.5ElevenLabsдо 4 0965,59 ₽ за 1000 знаков
Eleven v4 TurboElevenLabsдо 4 0964,47 ₽ за 1000 знаков
MiniMax Speech 2.8 TurboMiniMaxдо 4 0966,71 ₽ за 1000 знаков
Soniox TTS v2Sonioxдо 4 0961,58 ₽ за 1000 знаков
Sprag ChorusSpragдо 4 0961,81 ₽ за 1000 знаков
Grok TTSxAI (Grok)до 4 0961,68 ₽ за 1000 знаков
Fish Audio Drama 3Fish Audioдо 4 09611,18 ₽ за 1000 букв кириллицы
Amazon Polly GenerativeAmazonдо 3 0003,36 ₽ за 1000 знаков
Orpheus 3BCanopy Labsдо 4 0961,68 ₽ за 1000 знаков
Deepgram Aura-2Deepgramдо 4 0963,36 ₽ за 1000 знаков
Cartesia Sonic 3Cartesiaдо 4 0964,18 ₽ за 1000 знаков
Cartesia Sonic 3.5Cartesiaдо 4 0964,18 ₽ за 1000 знаков
Eleven Turbo v2.5ElevenLabsдо 4 0965,59 ₽ за 1000 знаков
Fish Audio S1Fish Audioдо 4 0963,36 ₽ за 1000 букв кириллицы
Inworld TTS-2 FlashInworld AIдо 2 0001,68 ₽ за 1000 знаков
MiniMax Speech-01 HDMiniMaxдо 4 09611,18 ₽ за 1000 знаков
MiniMax Speech-01 TurboMiniMaxдо 4 0966,71 ₽ за 1000 знаков
MiniMax Speech-02 HDMiniMaxдо 4 09611,18 ₽ за 1000 знаков
MiniMax Speech-02 TurboMiniMaxдо 4 0966,71 ₽ за 1000 знаков
MiniMax Speech 2.6 HDMiniMaxдо 4 09611,18 ₽ за 1000 знаков
MiniMax Speech 2.6 TurboMiniMaxдо 4 0966,71 ₽ за 1000 знаков
OpenAI TTS-1 HDOpenAIдо 4 0963,36 ₽ за 1000 знаков
Amazon Polly Long-FormAmazonдо 3 00011,18 ₽ за 1000 знаков
Amazon Polly NeuralAmazonдо 3 0001,79 ₽ за 1000 знаков
Deepgram AuraDeepgramдо 4 0961,68 ₽ за 1000 знаков
Eleven Flash v2ElevenLabsдо 4 0965,59 ₽ за 1000 знаков
Eleven Turbo v2ElevenLabsдо 4 0965,59 ₽ за 1000 знаков

Как выбрать

Запрос к озвучке устроен как audio.speech в библиотеке OpenAI: POST /v1/audio/speech с полями model, voice и input. В ответ приходит сам звук, а не ссылка на него. Ключ один на всех вендоров, так что переезд с ElevenLabs на MiniMax — это две новые строки в коде: модель и голос. Цена запроса приходит в заголовке x-veselo-cost-rub, а если модель не справилась, деньги не спишутся.

Русский язык. По-русски говорят модели ElevenLabs (у Eleven v4 больше 90 языков, у Multilingual v2 — 29), Fish Audio S2.1 Pro с 83 языками, Cartesia Sonic 3.6 с 44, MiniMax Speech 2.8 с отдельными русскими голосами, а ещё Grok TTS, Soniox TTS v2, Inworld TTS-2, Sprag Chorus, OpenAI TTS-1 и Gemini TTS. У Amazon Polly Standard два русских голоса, Tatyana и Maxim, но движок старый и звучит как автоинформатор в метро: для служебных фраз хватит, для рекламы нет. Kokoro 82M, Orpheus 3B, Deepgram Aura-2 и Amazon Polly Generative русского не знают.

Подача и эмоции. Тут у каждого вендора свой язык меток. Eleven v4 и Eleven v3 понимают слова в квадратных скобках: [whispers], [laughs], [sighs]. Fish Audio S2.1 Pro и S2 Pro берут в скобки свободное описание вроде [warm and happy], а Fish советует не больше трёх эмоций на предложение. Grok TTS знает [pause], [laugh] и шёпот через <whisper>…</whisper>, а MiniMax Speech 2.8 ставит паузу меткой <#0.5#>, где число — секунды. Метки Soniox пишут по-английски даже в русском тексте, эмоции Cartesia работают только для английского. Некоторые модели незнакомую метку просто прочитают вслух, среди них Multilingual v2, Kokoro и Aura-2, поэтому проверяй разметку на короткой фразе.

Скорость и длина текста. Для ответов бота и уведомлений подойдут быстрые модели: Eleven Flash v2.5, Eleven v4 Turbo, MiniMax Speech 2.8 Turbo и Inworld TTS-2. Для длинного чтения у ElevenLabs есть Multilingual v2: вендор называет её самой стабильной на длинных озвучках. За один запрос модель берёт несколько тысяч знаков (точный предел есть на странице модели), так что большую статью дели по абзацам и склеивай куски у себя.

Цена. У большинства моделей она считается за 1 000 знаков текста, у Gemini TTS и GPT-4o mini TTS — ступенями по длине, как в Студии. Живые цены всех моделей собраны в таблице на этой странице.

Что брать под задачу:

Популярные задачи

Озвучка роликов и рекламы

Ролику для соцсетей нужен голос с характером: улыбка в первой фразе, пауза перед развязкой, шёпот на «секретной» скидке. Для этого подходят модели с метками в тексте — Eleven v4 и Fish Audio S2.1 Pro, а за русскими голосами без разметки загляни к MiniMax Speech 2.8 HD. Метку ставь там, где меняется настроение, а не в каждой фразе. Сценарий на полминуты — это примерно 450–500 знаков, он целиком помещается в один запрос.

Пример запроса: «[excited] Новая коллекция уже в магазине! [whispers] А для своих — скидка до пятницы.»

Аудиоверсии статей и рассылок

Текст уже написан, нужен звук рядом с ним: блог, база знаний, письмо подписчикам. Здесь важнее ровное чтение, чем актёрская игра. Подойдут Eleven Multilingual v2, Cartesia Sonic 3.6, которая, по словам Cartesia, сама подстраивает темп и паузы под смысл фразы, и Gemini 2.5 Pro TTS. Статью дели по абзацам, каждый кусок озвучивай тем же голосом, а файлы склеивай у себя, например через ffmpeg. Числа, даты и сокращения пиши словами — так, как их нужно произнести.

Пример запроса: «Выпуск шестнадцатого ноября. Сегодня три новости: о доставке, о ценах и о новых пунктах выдачи.»

Ответы бота и голосовые уведомления

«Заказ передан в доставку» не требует драмы, зато нужен сразу. Для коротких фраз возьми одну из быстрых моделей: Eleven Flash v2.5, которую ElevenLabs называет быстрой и доступной, Eleven v4 Turbo, MiniMax Speech 2.8 Turbo или Inworld TTS-2 с русскими голосами. Для сухих служебных сообщений хватит Amazon Polly Standard. Фразы, которые повторяются каждый день, озвучь один раз и храни файлом: каждый новый запрос оплачивается заново.

Пример запроса: «Заказ передан в доставку. Курьер приедет завтра с десяти до двух.»

Обучающие курсы на двух языках

Если у курса есть русская и английская версии, их удобно вести одним голосом. У Grok TTS и Soniox TTS v2 любой голос говорит на любом языке модели: у Grok их 20, у Soniox — больше 60. Метки эмоций у Soniox пиши по-английски и в русском тексте, а Grok перед важным выводом выдержит паузу по метке [pause]. Так урок звучит как разговор преподавателя, а не как диктант.

Пример запроса: «[calm] Сейчас разберём второй шаг: где взять ключ и куда его вставить.»

Игры и персонажи на английском

Если проект целиком англоязычный, выбор шире. Orpheus 3B — открытая модель Canopy Labs на основе Llama, у неё метки <laugh>, <sigh> и <yawn>. Kokoro 82M — маленькая открытая модель с 54 голосами на восьми языках. У Deepgram Aura-2 90 голосов на семи языках, и вендор подписывает их сценариями: поддержка, голосовое меню, реклама, рассказ историй. Fish Audio Drama 3 сделана для режиссуры: указание актёру пишут в квадратных скобках, а отдельные слова оборачивают в <whisper> или <slow>. Русского у первых трёх моделей нет, а у Drama 3 вендор его не подтверждает, поэтому для русской версии игры возьми модель из списка выше.

Пример запроса: «Wait, you found the key? I have been looking for it all week.»

Как подключить

Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI. Пример — с моделью Fish Audio S2.1 Pro: у других моделей меняется только model.

curl

curl https://veselo.ai/v1/audio/speech \
  -H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fishaudio/s2.1-pro",
    "voice": "bf322df2096a46f18c579d0baa36f41d",
    "input": "Добрый вечер! Сегодня в программе — хорошие новости."
  }' \
  --output speech.mp3

Python

from openai import OpenAI  # pip install openai

client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)

with client.audio.speech.with_streaming_response.create(
    model="fishaudio/s2.1-pro",
    voice="bf322df2096a46f18c579d0baa36f41d",
    input="Добрый вечер! Сегодня в программе — хорошие новости.",
) as r:
    r.stream_to_file("speech.mp3")

JavaScript

import fs from 'node:fs';

const res = await fetch('https://veselo.ai/v1/audio/speech', {
  method: 'POST',
  headers: { Authorization: 'Bearer sk-vsl-ТВОЙ_КЛЮЧ', 'Content-Type': 'application/json' },
  body: JSON.stringify({ model: 'fishaudio/s2.1-pro', voice: 'bf322df2096a46f18c579d0baa36f41d', input: 'Добрый вечер! Сегодня в программе — хорошие новости.' }),
  signal: AbortSignal.timeout(600_000),
});
if (!res.ok) throw new Error((await res.json()).error.message);
fs.writeFileSync('speech.mp3', Buffer.from(await res.arrayBuffer()));

В программах: тем же ключом — из любого кода, а без ключа Claude, ChatGPT и Cursor зовут модель по MCP: вход на сайте и кнопка «Разрешить». MCP

Fish Audio S2.1 Pro · Документация раздела

Вопросы и ответы

Можно ли озвучить текст голосом конкретного человека?
Нет. Доступны только готовые голоса моделей: звук-образцы мы не принимаем, а выдавать речь за голос реального человека без его согласия запрещают правила API. У Fish Audio по API открыты только официальные голоса вендора.
Где посмотреть голоса модели и как выбрать нужный?
Голос задаётся полем voice, а список голосов есть на странице модели и в документации по озвучке. У многоязычных моделей голоса обычно не привязаны к языку и говорят на всех языках модели. Русские голоса отдельно помечены у MiniMax (их имена начинаются с Russian_), Cartesia, Inworld и Amazon Polly.
Сколько текста можно отправить в одном запросе?
Несколько тысяч знаков, у каждой модели свой предел, и он указан на её странице. Слишком длинный текст вернётся с ошибкой 400 и подсказкой в поле param, денег за такой запрос не будет. Длинную статью озвучивай частями по абзацам.
В каком формате приходит звук?
По умолчанию в MP3. Многие модели отдают ещё WAV, OPUS, FLAC или PCM: нужный формат задаёшь полем response_format, а что умеет модель, видно на её странице. Gemini TTS и GPT-4o mini TTS отвечают только в MP3. Звук приходит прямо в теле ответа, его остаётся сохранить в файл.
Нужно ли предупреждать слушателей, что голос ненастоящий?
Это задают правила вендора модели. OpenAI, например, требует ясно сообщать слушателям, что голос создан нейросетью, а не человеком. В рекламе и звонках клиентам такое предупреждение уместно в любом случае: людям неприятно узнавать это самим.
Что будет с TTS-1 и GPT-4o mini TTS?
OpenAI выключает TTS-1, TTS-1 HD и GPT-4o mini TTS 6 января 2027 года, так сказано на её странице устаревших моделей. После этой даты они пропадут и у нас. Код почти не придётся трогать: запрос тот же, меняются только model и voice.
Чем озвучка по API отличается от Студии?
Студия — для человека: вставил текст, выбрал голос, нажал кнопку и оплатил на сайте. API — для программ: тот же звук приходит в ответ на запрос, а платит отдельный API-счёт, и деньги между ним и основным балансом не переводятся. Часть моделей есть в обоих местах, например Gemini TTS и GPT-4o mini TTS.
Как послушать голос до того, как встраивать его в программу?
На странице модели есть «Попробовать»: напиши короткую фразу, выбери голос и нажми кнопку. Цена стоит на ней заранее и спишется с API-счёта, как у обычного запроса.
Нужны ли VPN и зарубежная карта?
Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
Сколько стоит запрос, который закончился ошибкой?
Нисколько: ошибка нейросети денег не стоит, удержание на время запроса снимается целиком.

Ещё по теме

Факты сверены 16 ноября 2026 по документации: elevenlabs.io, docs.fish.audio, platform.minimax.io