Voz
POST /v1/audio/speech convierte texto en audio hablado. Sigue el formato de text-to-speech de OpenAI, así que client.audio.speech.create funciona con solo cambiar la URL base. Los modelos de voz aparecen en la página de modelos; entre ellos, tts-1, tts-1-hd, eleven-multilingual-v2, eleven-v3 y gemini-2.5-flash-preview-tts.
Generar audio
curl https://api.inferray.com/v1/audio/speech \
-H "Authorization: Bearer $INFERRAY_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "tts-1",
"input": "Your order has shipped and will arrive on Thursday.",
"voice": "alloy",
"response_format": "mp3"
}' \
--output speech.mp3
import fs from "node:fs";
import OpenAI from "openai";
const client = new OpenAI({ baseURL: "https://api.inferray.com/v1", apiKey: process.env.INFERRAY_API_KEY });
const audio = await client.audio.speech.create({
model: "tts-1",
input: "Your order has shipped and will arrive on Thursday.",
voice: "alloy",
});
fs.writeFileSync("speech.mp3", Buffer.from(await audio.arrayBuffer()));
El cuerpo de la respuesta es el propio archivo de audio, no JSON. Guarda los bytes.
Parámetros
| Parámetro | Qué hace |
|---|---|
model | Obligatorio. Un modelo de voz. |
input | Obligatorio. El texto que se va a leer en voz alta. |
voice | La voz. Cada familia de modelos tiene sus propias voces; si no indicas ninguna, se usa la predeterminada del modelo. |
response_format | mp3, wav, opus, aac, flac o pcm, si el modelo lo admite. El valor predeterminado depende del modelo. |
speed | Velocidad de reproducción, en los modelos que la admiten. |
instructions | Una indicación de estilo, como "habla con calidez y despacio", en los modelos que la aceptan. |
Precios
La voz se cobra por carácter de entrada (o por token en algunos modelos), según se indica en la página de cada modelo. Un texto largo cuesta proporcionalmente más, así que elimina el markup y el texto de relleno antes de enviarlo.
No disponible
La respuesta se almacena en búfer y se devuelve de una sola vez; no se ofrece streaming del audio a medida que se genera. Para voz bidireccional en vivo, todavía no se ofrecen sesiones en tiempo real.