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:
Модели и цены
| Модель | Вендор | Знаков за раз | Цена |
|---|---|---|---|
| Fish Audio S2.1 Pro | Fish Audio | до 4 096 | 3,36 ₽ за 1000 букв кириллицы |
| MiniMax Speech 2.8 HD | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| OpenAI TTS-1 | OpenAI | до 4 096 | 1,68 ₽ за 1000 знаков |
| Eleven v3 | ElevenLabs | до 4 096 | 11,18 ₽ за 1000 знаков |
| Eleven v4 | ElevenLabs | до 4 096 | 8,94 ₽ за 1000 знаков |
| Fish Audio S2 Pro | Fish Audio | до 4 096 | 3,36 ₽ за 1000 букв кириллицы |
| Cartesia Sonic 3.6 | Cartesia | до 4 096 | 4,18 ₽ за 1000 знаков |
| Kokoro 82M | Hexgrad | до 4 096 | 1,12 ₽ за 1000 знаков |
| Gemini 3.8 Flash TTS | до 5 000 | от 9,00 ₽ за озвучку | |
| GPT-4o mini TTS | OpenAI | до 3 000 | от 9,00 ₽ за озвучку |
| Gemini 3.8 Flash Lite TTS | до 5 000 | от 9,00 ₽ за озвучку | |
| Gemini 2.5 Pro TTS | до 5 000 | от 9,00 ₽ за озвучку | |
| Gemini 2.5 Flash TTS | до 5 000 | от 9,00 ₽ за озвучку | |
| Gemini 3.1 Flash TTS | до 5 000 | от 9,00 ₽ за озвучку | |
| Eleven Multilingual v2 | ElevenLabs | до 4 096 | 11,18 ₽ за 1000 знаков |
| Inworld TTS-2 | Inworld AI | до 2 000 | 2,80 ₽ за 1000 знаков |
| Amazon Polly Standard | Amazon | до 3 000 | 0,45 ₽ за 1000 знаков |
| Eleven Flash v2.5 | ElevenLabs | до 4 096 | 5,59 ₽ за 1000 знаков |
| Eleven v4 Turbo | ElevenLabs | до 4 096 | 4,47 ₽ за 1000 знаков |
| MiniMax Speech 2.8 Turbo | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| Soniox TTS v2 | Soniox | до 4 096 | 1,58 ₽ за 1000 знаков |
| Sprag Chorus | Sprag | до 4 096 | 1,81 ₽ за 1000 знаков |
| Grok TTS | xAI (Grok) | до 4 096 | 1,68 ₽ за 1000 знаков |
| Fish Audio Drama 3 | Fish Audio | до 4 096 | 11,18 ₽ за 1000 букв кириллицы |
| Amazon Polly Generative | Amazon | до 3 000 | 3,36 ₽ за 1000 знаков |
| Orpheus 3B | Canopy Labs | до 4 096 | 1,68 ₽ за 1000 знаков |
| Deepgram Aura-2 | Deepgram | до 4 096 | 3,36 ₽ за 1000 знаков |
| Cartesia Sonic 3 | Cartesia | до 4 096 | 4,18 ₽ за 1000 знаков |
| Cartesia Sonic 3.5 | Cartesia | до 4 096 | 4,18 ₽ за 1000 знаков |
| Eleven Turbo v2.5 | ElevenLabs | до 4 096 | 5,59 ₽ за 1000 знаков |
| Fish Audio S1 | Fish Audio | до 4 096 | 3,36 ₽ за 1000 букв кириллицы |
| Inworld TTS-2 Flash | Inworld AI | до 2 000 | 1,68 ₽ за 1000 знаков |
| MiniMax Speech-01 HD | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| MiniMax Speech-01 Turbo | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| MiniMax Speech-02 HD | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| MiniMax Speech-02 Turbo | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| MiniMax Speech 2.6 HD | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| MiniMax Speech 2.6 Turbo | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| OpenAI TTS-1 HD | OpenAI | до 4 096 | 3,36 ₽ за 1000 знаков |
| Amazon Polly Long-Form | Amazon | до 3 000 | 11,18 ₽ за 1000 знаков |
| Amazon Polly Neural | Amazon | до 3 000 | 1,79 ₽ за 1000 знаков |
| Deepgram Aura | Deepgram | до 4 096 | 1,68 ₽ за 1000 знаков |
| Eleven Flash v2 | ElevenLabs | до 4 096 | 5,59 ₽ за 1000 знаков |
| Eleven Turbo v2 | ElevenLabs | до 4 096 | 5,59 ₽ 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:
- живая актёрская подача на русском — Eleven v4, Fish Audio S2.1 Pro, MiniMax Speech 2.8 HD;
- спокойное чтение длинных текстов — Eleven Multilingual v2, Cartesia Sonic 3.6, Gemini 2.5 Pro TTS;
- быстрые короткие ответы — Eleven Flash v2.5, Eleven v4 Turbo, Inworld TTS-2, MiniMax Speech 2.8 Turbo;
- один голос на нескольких языках — Grok TTS и Soniox TTS v2;
- служебные фразы, где важна цена, а не тембр, — Amazon Polly Standard;
- проект на английском — Kokoro 82M, Orpheus 3B, Deepgram Aura-2, Amazon Polly Generative;
- без кода, кнопкой — озвучка текста в Студии, среди её моделей Gemini TTS и GPT-4o mini TTS.
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.mp3Python
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
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 сRussian_), 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
modelиvoice. - 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