---
title: "Озвучка текста по API (TTS)"
description: "Синтез речи по API: голоса ElevenLabs, MiniMax, Fish Audio, Gemini и других, русский язык, MP3 в ответе. 44 модели по одному ключу."
url: https://veselo.ai/models/ozvuchka-teksta-api
updated: 2026-11-16T14:39:32.641Z
---

# 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: 16 ноября 2026 г.

[Получить ключ](https://veselo.ai/developer) [Документация](https://veselo.ai/docs/speech)

## Модели и цены

**Озвучка: цена в рублях за 1000 знаков или за запись**

| Модель | Вендор | Знаков за раз | Цена |
| --- | --- | --- | --- |
| [Fish Audio S2.1 Pro](https://veselo.ai/models/fishaudio/s2.1-pro) | Fish Audio | до 4 096 | 3,36 ₽ за 1000 букв кириллицы |
| [MiniMax Speech 2.8 HD](https://veselo.ai/models/minimax/speech-2.8-hd) | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| [OpenAI TTS-1](https://veselo.ai/models/openai/tts-1) | OpenAI | до 4 096 | 1,68 ₽ за 1000 знаков |
| [Eleven v3](https://veselo.ai/models/elevenlabs/eleven-v3) | ElevenLabs | до 4 096 | 11,18 ₽ за 1000 знаков |
| [Eleven v4](https://veselo.ai/models/elevenlabs/eleven-v4) | ElevenLabs | до 4 096 | 8,94 ₽ за 1000 знаков |
| [Fish Audio S2 Pro](https://veselo.ai/models/fishaudio/s2-pro) | Fish Audio | до 4 096 | 3,36 ₽ за 1000 букв кириллицы |
| [Cartesia Sonic 3.6](https://veselo.ai/models/cartesia/sonic-3.6) | Cartesia | до 4 096 | 4,18 ₽ за 1000 знаков |
| [Kokoro 82M](https://veselo.ai/models/hexgrad/kokoro-82m) | Hexgrad | до 4 096 | 1,12 ₽ за 1000 знаков |
| [Gemini 3.8 Flash TTS](https://veselo.ai/studio/gemini-3-8-flash-tts) | Google | до 5 000 | от 9,00 ₽ за озвучку |
| [GPT-4o mini TTS](https://veselo.ai/studio/gpt-4o-mini-tts) | OpenAI | до 3 000 | от 9,00 ₽ за озвучку |
| [Gemini 3.8 Flash Lite TTS](https://veselo.ai/studio/gemini-3-8-flash-lite-tts) | Google | до 5 000 | от 9,00 ₽ за озвучку |
| [Gemini 2.5 Pro TTS](https://veselo.ai/studio/gemini-2-5-pro-tts) | Google | до 5 000 | от 9,00 ₽ за озвучку |
| [Gemini 2.5 Flash TTS](https://veselo.ai/studio/gemini-2-5-flash-tts) | Google | до 5 000 | от 9,00 ₽ за озвучку |
| [Gemini 3.1 Flash TTS](https://veselo.ai/studio/gemini-3-1-flash-tts) | Google | до 5 000 | от 9,00 ₽ за озвучку |
| [Eleven Multilingual v2](https://veselo.ai/models/elevenlabs/eleven-multilingual-v2) | ElevenLabs | до 4 096 | 11,18 ₽ за 1000 знаков |
| [Inworld TTS-2](https://veselo.ai/models/inworld/inworld-tts-2) | Inworld AI | до 2 000 | 2,80 ₽ за 1000 знаков |
| [Amazon Polly Standard](https://veselo.ai/models/amazon/polly-standard) | Amazon | до 3 000 | 0,45 ₽ за 1000 знаков |
| [Eleven Flash v2.5](https://veselo.ai/models/elevenlabs/eleven-flash-v2.5) | ElevenLabs | до 4 096 | 5,59 ₽ за 1000 знаков |
| [Eleven v4 Turbo](https://veselo.ai/models/elevenlabs/eleven-v4-turbo) | ElevenLabs | до 4 096 | 4,47 ₽ за 1000 знаков |
| [MiniMax Speech 2.8 Turbo](https://veselo.ai/models/minimax/speech-2.8-turbo) | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| [Soniox TTS v2](https://veselo.ai/models/soniox/tts-rt-v2) | Soniox | до 4 096 | 1,58 ₽ за 1000 знаков |
| [Sprag Chorus](https://veselo.ai/models/sprag/chorus) | Sprag | до 4 096 | 1,81 ₽ за 1000 знаков |
| [Grok TTS](https://veselo.ai/models/x-ai/grok-tts) | xAI (Grok) | до 4 096 | 1,68 ₽ за 1000 знаков |
| [Fish Audio Drama 3](https://veselo.ai/models/fishaudio/drama-3) | Fish Audio | до 4 096 | 11,18 ₽ за 1000 букв кириллицы |
| [Amazon Polly Generative](https://veselo.ai/models/amazon/polly-generative) | Amazon | до 3 000 | 3,36 ₽ за 1000 знаков |
| [Orpheus 3B](https://veselo.ai/models/canopylabs/orpheus-3b) | Canopy Labs | до 4 096 | 1,68 ₽ за 1000 знаков |
| [Deepgram Aura-2](https://veselo.ai/models/deepgram/aura-2) | Deepgram | до 4 096 | 3,36 ₽ за 1000 знаков |
| [Cartesia Sonic 3](https://veselo.ai/models/cartesia/sonic-3.6) | Cartesia | до 4 096 | 4,18 ₽ за 1000 знаков |
| [Cartesia Sonic 3.5](https://veselo.ai/models/cartesia/sonic-3.6) | Cartesia | до 4 096 | 4,18 ₽ за 1000 знаков |
| [Eleven Turbo v2.5](https://veselo.ai/models/elevenlabs/eleven-flash-v2.5) | ElevenLabs | до 4 096 | 5,59 ₽ за 1000 знаков |
| [Fish Audio S1](https://veselo.ai/models/fishaudio/s2.1-pro) | Fish Audio | до 4 096 | 3,36 ₽ за 1000 букв кириллицы |
| [Inworld TTS-2 Flash](https://veselo.ai/models/inworld/inworld-tts-2) | Inworld AI | до 2 000 | 1,68 ₽ за 1000 знаков |
| [MiniMax Speech-01 HD](https://veselo.ai/models/minimax/speech-2.8-hd) | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| [MiniMax Speech-01 Turbo](https://veselo.ai/models/minimax/speech-2.8-turbo) | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| [MiniMax Speech-02 HD](https://veselo.ai/models/minimax/speech-2.8-hd) | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| [MiniMax Speech-02 Turbo](https://veselo.ai/models/minimax/speech-2.8-turbo) | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| [MiniMax Speech 2.6 HD](https://veselo.ai/models/minimax/speech-2.8-hd) | MiniMax | до 4 096 | 11,18 ₽ за 1000 знаков |
| [MiniMax Speech 2.6 Turbo](https://veselo.ai/models/minimax/speech-2.8-turbo) | MiniMax | до 4 096 | 6,71 ₽ за 1000 знаков |
| [OpenAI TTS-1 HD](https://veselo.ai/models/openai/tts-1) | OpenAI | до 4 096 | 3,36 ₽ за 1000 знаков |
| [Amazon Polly Long-Form](https://veselo.ai/models/amazon/polly-generative) | Amazon | до 3 000 | 11,18 ₽ за 1000 знаков |
| [Amazon Polly Neural](https://veselo.ai/models/amazon/polly-generative) | Amazon | до 3 000 | 1,79 ₽ за 1000 знаков |
| [Deepgram Aura](https://veselo.ai/models/deepgram/aura-2) | Deepgram | до 4 096 | 1,68 ₽ за 1000 знаков |
| [Eleven Flash v2](https://veselo.ai/models/elevenlabs/eleven-flash-v2.5) | ElevenLabs | до 4 096 | 5,59 ₽ за 1000 знаков |
| [Eleven Turbo v2](https://veselo.ai/models/elevenlabs/eleven-flash-v2.5) | 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](https://veselo.ai/models/sprag/chorus), [OpenAI TTS-1](https://veselo.ai/models/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](https://veselo.ai/models/elevenlabs/eleven-v3) понимают слова в квадратных скобках: `[whispers]`, `[laughs]`, `[sighs]`. Fish Audio S2.1 Pro и [S2 Pro](https://veselo.ai/models/fishaudio/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](https://veselo.ai/models/elevenlabs/eleven-v4), [Fish Audio S2.1 Pro](https://veselo.ai/models/fishaudio/s2.1-pro), [MiniMax Speech 2.8 HD](https://veselo.ai/models/minimax/speech-2.8-hd);
- спокойное чтение длинных текстов — [Eleven Multilingual v2](https://veselo.ai/models/elevenlabs/eleven-multilingual-v2), [Cartesia Sonic 3.6](https://veselo.ai/models/cartesia/sonic-3.6), [Gemini 2.5 Pro TTS](https://veselo.ai/studio/gemini-2-5-pro-tts);
- быстрые короткие ответы — [Eleven Flash v2.5](https://veselo.ai/models/elevenlabs/eleven-flash-v2.5), [Eleven v4 Turbo](https://veselo.ai/models/elevenlabs/eleven-v4-turbo), [Inworld TTS-2](https://veselo.ai/models/inworld/inworld-tts-2), [MiniMax Speech 2.8 Turbo](https://veselo.ai/models/minimax/speech-2.8-turbo);
- один голос на нескольких языках — [Grok TTS](https://veselo.ai/models/x-ai/grok-tts) и [Soniox TTS v2](https://veselo.ai/models/soniox/tts-rt-v2);
- служебные фразы, где важна цена, а не тембр, — [Amazon Polly Standard](https://veselo.ai/models/amazon/polly-standard);
- проект на английском — [Kokoro 82M](https://veselo.ai/models/hexgrad/kokoro-82m), [Orpheus 3B](https://veselo.ai/models/canopylabs/orpheus-3b), [Deepgram Aura-2](https://veselo.ai/models/deepgram/aura-2), [Amazon Polly Generative](https://veselo.ai/models/amazon/polly-generative);
- без кода, кнопкой — [озвучка текста в Студии](https://veselo.ai/studio/voice), 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](https://veselo.ai/models/elevenlabs/eleven-v4) и [Fish Audio S2.1 Pro](https://veselo.ai/models/fishaudio/s2.1-pro), а за русскими голосами без разметки загляни к [MiniMax Speech 2.8 HD](https://veselo.ai/models/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](https://veselo.ai/models/elevenlabs/eleven-multilingual-v2), [Cartesia Sonic 3.6](https://veselo.ai/models/cartesia/sonic-3.6), которая, по словам Cartesia, сама подстраивает темп и паузы под смысл фразы, и [Gemini 2.5 Pro TTS](https://veselo.ai/studio/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](https://veselo.ai/models/elevenlabs/eleven-flash-v2.5), которую ElevenLabs называет быстрой и доступной, [Eleven v4 Turbo](https://veselo.ai/models/elevenlabs/eleven-v4-turbo), [MiniMax Speech 2.8 Turbo](https://veselo.ai/models/minimax/speech-2.8-turbo) или [Inworld TTS-2](https://veselo.ai/models/inworld/inworld-tts-2) с русскими голосами. Для сухих служебных сообщений хватит [Amazon Polly Standard](https://veselo.ai/models/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](https://veselo.ai/models/x-ai/grok-tts) и [Soniox TTS v2](https://veselo.ai/models/soniox/tts-rt-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](https://veselo.ai/models/canopylabs/orpheus-3b) — открытая модель Canopy Labs на основе Llama, у неё метки `<laugh>`, `<sigh>` и `<yawn>`. [Kokoro 82M](https://veselo.ai/models/hexgrad/kokoro-82m) — маленькая открытая модель с 54 голосами на восьми языках. У [Deepgram Aura-2](https://veselo.ai/models/deepgram/aura-2) 90 голосов на семи языках, и вендор подписывает их сценариями: поддержка, голосовое меню, реклама, рассказ историй. [Fish Audio Drama 3](https://veselo.ai/models/fishaudio/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](https://veselo.ai/connect)

[Fish Audio S2.1 Pro](https://veselo.ai/models/fishaudio/s2.1-pro) · [Документация раздела](https://veselo.ai/docs/speech)

## 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](https://veselo.ai/legal/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](https://veselo.ai/docs/speech). 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](https://veselo.ai/models/openai/tts-1), TTS-1 HD и [GPT-4o mini TTS](https://veselo.ai/studio/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

- [Озвучка текста по API за рубли — документация API](https://veselo.ai/docs/speech)
- [Без кода — озвучка в Студии](https://veselo.ai/studio/voice)
- [Подключить к Claude и ChatGPT](https://veselo.ai/connect)
- [Все модели и цены](https://veselo.ai/models)

Факты сверены 16 ноября 2026 по документации: [elevenlabs.io](https://elevenlabs.io/docs/overview/models), [docs.fish.audio](https://docs.fish.audio/developer-guide/models-pricing/models-overview), [platform.minimax.io](https://platform.minimax.io/docs/api-reference/speech-t2a-http)
