Najczęściej zadawane pytania
Czy syntezator mowy działa w czasie rzeczywistym dla streamów?
Synteza trwa około jednej sekundy na każde 25 znaków tekstu. Dla krótkych fraz generowanie zajmuje kilka sekund, a przy dużym obciążeniu żądania mogą czekać w kolejce. Nie oferujemy strumieniowania audio ani WebSocket, więc nie jest to rozwiązanie w czasie rzeczywistym idealnym do natychmiastowej reakcji na żywo.
Jakie języki obsługuje syntezator dla VTuberów?
API obsługuje 23 języki, w tym angielski, japoński, koreański, chiński, niemiecki, francuski, hiszpański, rosyjski, polski, włoski, portugalski, turecki, arabski, hebrajski, hindi, malajski, szwedzki, norweski, duński, fiński, grecki i suahili. Każdy z 8 dostępnych głosów może mówić każdym z tych języków bez ograniczeń.
Czy mogę zmieniać prędkości mowy w trakcie streamu?
Tak, parametr speed w żądaniu API pozwala regulować prędkość mowy w zakresie od 0.25 do 4.0. Możesz dostosować tempo generowania audio dla każdego żądania osobno, co pozwala na precyzyjne dopasowanie głosu postaci VTubera do tempa streamu lub konkretnej sceny.
Ile kosztuje generowanie mowy dla długich tekstów?
Cena wynosi 10 USD za 1 milion znaków, co daje 0,01 USD za 1000 znaków. Spacje i interpunkcja liczą się jako znaki. Długie teksty należy podzielić na fragmenty do 4096 znaków, a następnie połączyć wygenerowane pliki audio w całość.
Czy głosy brzmią jak ludzie, czy są syntetyczne?
Głosy są syntetyczne, oparte na nagraniach z bibliotek LibriTTS-R i LibriVox. Każdy wygenerowany plik audio zawiera niewidoczny znak wodny oznaczający go jako mowę syntetyczną. Nie oferujemy klonowania głosów ani projektowania nowych brzmień, a generowane pliki są wyraźnie rozróżnialne od nagrania ludzkiego.
Jak szybko pojawiają się funds po wpłacie USDT?
Wpłaty dokonane za pomocą USDT w sieci TRON (TRC-20) są kredytowane automatycznie w ciągu kilku minut po potwierdzeniu transakcji. Brak opłat za przelewy, brak faktur z VAT. Saldo nie wygasa, a minimalna kwota wpłaty to 5 USD.
Czy mogę używać wygenerowanego audio w materiałach komercyjnych?
Tak, po zakupie kredytu możesz używać wygenerowanych plików audio w dowolnych celach, w tym komercyjnych. Tekst wejściowy jest używany wyłącznie do wygenerowania audio i nie jest wykorzystywany do szkolenia modeli. Nie ma gwarancji jakości ani SLA.
Jakie są limity znaków na jedno żądanie API?
Maksymalna długość tekstu w jednym żądaniu to 4096 znaków. Dla dłuższych tekstów należy podzielić treść na mniejsze fragmenty, wygenerować audio dla każdego z osobna, a następnie połączyć je w jeden plik. Przekroczenie limitu spowoduje błąd żądania.
Czy syntezator obsługuje emotiki w tekście wejściowym?
Tak, emotiki są traktowane jako znaki i liczą się do limitu 4096 znaków na żądanie. Synteza przetwarza je jako część tekstu, choć nie ma specjalnych tagów do ich wymowy. Emotiki nie wpływają na wybór modelu czy głosu, są po prostu częścią danych wejściowych.
Jak działa wykrywanie języka bez parametru language?
Jeśli nie podasz parametru language, system zgaduje język na podstawie skryptu. Tekst łaciński domyślnie jest interpretowany jako angielski. Dla innych języków używających alfabetu łacińskiego zaleca się jawnego ustawienia kodu ISO, aby uniknąć błędnej interpretacji i zapewnić poprawną wymowę.
Czy mogę połączyć wiele krótkich fragmentów w jeden plik?
Tak, możesz wygenerować każdy fragment tekstu osobno, a następnie połączyć wygenerowane pliki audio w jeden plik końcowy. API zwraca audio po każdym żądaniu, więc to Ty zarządzasz procesem łączenia. Nie ma wbudowanej funkcji automatycznego łączenia wewnątrz samego API.
Co się dzieje z tekstem po wygenerowaniu audio?
Tekst wejściowy jest używany wyłącznie do wygenerowania pliku audio i nie jest wykorzystywany do szkolenia modeli AI. Wygenerowane audio jest zwracane w odpowiedzi i nie jest przechowywane na serwerach. Metadane żądania (czas, liczba znaków, status) są przechowywane wyłącznie w celach rozliczeniowych.
Czy syntezator ma plugin do OBS?
Nie, nie oferujemy oficjalnego pluginu do OBS ani żadnej wtyczki do programów do streamingu. Używasz API poprzez żądania HTTP lub oficjalne biblioteki OpenAI, zmieniając base_url. Możesz zintegrować syntezator ze swoim streamem poprzez zewnętrzne skrypty lub oprogramowanie pośredniczące.
Jakie formaty audio są dostępne dla streamerów?
Dostępne formaty to mp3, wav, opus, flac i pcm. Możesz wybrać format odpowiedni do Twoich potrzeb przesyłania strumieniowego lub zapisu. Format mp3 i opus są lekkie, podczas gdy wav i flac oferują wyższą jakość bez strat, co jest ważne przy archiwizacji treści.
Pierwsze żądanie
curl
curl https://api.vt338.info/v1/audio/speech \
-H "Authorization: Bearer $TTS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
--output hello.mp3Dlaczego VTuberzy wybierają nasze API?
Synteza mowy GlosGamer została zaprojektowana specjalnie dla twórców VTuberów, którzy potrzebują niezawodnego połączenia tekstu z głosem postaci. Nasze API obsługuje żądania z szybkością zbliżoną do czasu rzeczywistego, generując około 25 znaków na sekundę. Krótkie frazy generowane są w kilka sekund, co pozwala na płynną interakcję z widowniem bez długich przestojów.
Procesy są przetwarzane sekwencyjnie, co oznacza, że przy dużym obciążeniu żądania mogą czekać w kolejce. Dzięki temu zapewniamy stabilność usługi nawet podczas szczytów aktywności na streamie. System jest zoptymalizowany tak, aby minimalizować opóźnienia, zapewniając płynne odegranie reakcji Twojej awatara.
Niska latencja i kolejka procesów
Generowanie audio odbywa się szybko, choć nie jest to streaming cząstkowy. Żądania przetwarzane są jedno po drugim, co gwarantuje spójność dźwięku. Dla krótkich reakcji czas oczekiwania wynosi kilka sekund.
W przypadku dłuższych tekstów system automatycznie dzieli je na fragmenty do 4096 znaków i łączy pliki audio. Dzięki temu unikasz przerywania głosu w kluczowych momentach gameplayu.
- Generowanie krótkich fraz: kilka sekund
- Szybkość: ok. 25 znaków/sekundę
- Przetwarzanie sekwencyjne w kolejce
8 unikalnych głosów do postaci
Oferujemy 8 presetów głosowych, które pokrywają szerokie spektrum archetipów VTuberów. Masz do dyspozycji żeńskie głosy: Aria (ciepka, klarowna narratorka), Nova (jasna, wesoła), Luna (miękka, opowiadająca historie) oraz Sage (spokojna, instruktażowa).
Dla postaci męskich dostępne są: Felix (energiczny, idealny do promo), Milo (przyjazny, konwersacyjny), Atlas (neutralny, newsowy) oraz Orion (głęboki, dokumentalny). Każdy głos może być dostosowany pod kątem prędkości.
- Aria, Nova, Luna, Sage (żeńskie)
- Felix, Milo, Atlas, Orion (męskie)
- Głosy oparte na licencjonowanych nagraniach i LibriVox
Wsparcie dla wielojęzycznych streamów
API obsługuje 23 języki, w tym kluczowe dla branży VTuber: angielski, japoński, koreański, chiński, hiszpański i niemiecki. Możesz używać dowolnego głosu do dowolnego języka, co pozwala na tworzenie spójnych multijęzycznych awatarów.
Język jest automatycznie wykrywany na podstawie skryptu, ale dla tekstów łacińskich domyślnie ustawiany jest angielski. W przypadku innych języków łacińskich zalecamy jawnego ustawienia parametru language, aby uniknąć błędów w wymowie.
- 23 obsługiwane języki
- Domyślne wykrywanie języka
- Możliwość ręcznego ustawienia kodu ISO
Jak działa syntezator dla streamerów?
API GlosGamer zamienia tekst w pliki audio przez prosty request POST. Długość tekstu ograniczona jest do 4096 znaków, a generowanie trwa w przybliżeniu tyle, ile wynosi długość mowy (ok. 25 znaków na sekundę). Żądania są przetwarzane sekwencyjnie, co przy dużym obciążeniu może wprowadzić krótkie opóźnienia w kolejce.
Dla płynnej gry z tekstem dłuższym niż 4096 znaków, należy podzielić go na mniejsze części i połączyć wygenerowane pliki audio. To standardowy workflow dla streamerów wymagających ciągłości głosu bez przerwy.
Konwersja tekstu na audio w czasie rzeczywistym
System przetwarza żądania jedno po drugim. Krótkie frazy generują się w kilka sekund, podczas gdy dłuższe teksty są odtwarzane w tempie zbliżonym do rzeczywistego. To zapewnia stabilność, nawet przy częstym wysyłaniu komend przez boty streamowe.
Łatwa integracja z OBS i softami
Dzięki zgodności z endpointem OpenAI, możesz łatwo podłączyć API do własnych skryptów lub gotowych narzędzi. Wystarczy zmienić base_url i użyć istniejących kluczy SDK do wysyłania tekstu z czatu lub panelu sterowania.
Formaty MP3, WAV, OPUS dla niskiego zużycia CPU
Wybierz format optymalny dla Twojego sprzętu. OPUS i MP3 są lekkie dla procesora, podczas gdy WAV oferuje bezstratną jakość. Format PCM jest dostępny dla prostszych pipeline'ów audio.
- MP3: Kompresja, niskie zużycie zasobów.
- WAV: Jakość bezstratna.
- OPUS: Optymalny dla streamów.
- FLAC: Bezstratna kompresja.
Głosy dostępne dla Twoich avatary
Dysponujemy osmioma unikalnymi głosami, które idealnie pasują do wizerunku Twojej postaci online. Każdy preset został stworzony, by dostarczyć spójną brzmieniowo mowę bez konieczności nagrywania tysięcy godzin materiału.
Głosy oparte są na licencjonowanych nagraniach z LibriTTS-R i nagraniach Audiobooków z LibriVox (CC BY 4.0). Każda wygenerowana ścieżka zawiera niewidoczny znak wodny potwierdzający syntetyczne pochodzenie audio, co jest standardem w branży.
Aria i Luna – ciepłe narracje i opowiadania
Aria to głos damski, ciepły i klarowny, idealny do prowadzenia narracji. Luna, również żeński, ma miękki charakter i sprawdza się przy opowiadaniu historii.
Te głosy zapewniają naturalny rytm, niezbędny do angażowania widowni podczas streamów RPG czy relacji z gier.
- Aria: wyraźna narracja
- Luna: miękkie opowiadanie
Felix i Milo – energiczne i konwersacyjne
Felix to męski głos pełen energii, doskonały do promocji i dynamicznych segmentów. Milo brzmi przyjaźnie i rozmownie, co sprzyja interakcji z chatem.
Użyj ich, by podnieść dynamikę streamu i utrzymać uwagę odbiorców podczas krótkich komentarzy.
- Felix: energiczna promocja
- Milo: konwersacyjny styl
Atlas i Orion – neutralne i dokumentalne
Atlas oferuje neutralny, informacyjny ton, przypominający serwis newsowy. Orion to męski głos o głębszym brzmieniu, idealny do klimatu dokumentalnego.
Dzięki nim Twoja postać może prezentować fakty lub opisy bez nadmiernej emocjonalności, zachowując profesjonalizm.
- Atlas: neutralny news
- Orion: głęboki dokument
Języki i regionalne dialekty
Synteza GlosGamer obsługuje 23 języki, w tym azjatyckich: chińskiego, japońskiego, koreańskiego i malajskiego. Dzięki temu twórcy VTuberzy mogą płynnie przechodzić między strumieniami w japońskim a angielskim bez konieczności zmiany konfiguracji.
Języki europejskie i z Bliskiego Wschodu obejmują m.in. arabski, niemiecki, polski, hiszpański, rosyjski i turecki. Każdy głos potrafi wymówić każdy z tych języków naturalnie, co eliminuje potrzebę posiadania wielu różnych syntezatorów dla różnych regionów audience.
Pełne wsparcie dla języków azjatyckich
System obsługuje chiński, japoński, koreański i malajski. Dzięki temu twórcy mogą generować treści dla szerokiej widowni azjatyckiej bez dodatkowych kosztów licencyjnych. Każdy z 8 głosów poprawnie wymawia tonacje i specyficzne cechy fonetyczne tych języków.
- Chiński (mandaryński)
- Japoński
- Koreański
- Malajski
Języki europejskie i Bliskiego Wschodu
Oferujemy pełną gamę języków zachodnich i wschodnich: arabski, niemiecki, francuski, włoski, hiszpański, polski, rosyjski, turecki, szwedzki, duński, norweski, fiński, holenderski, portugalski, grecki, hebrajski, swahili i hindi. To pozwala na budowanie spójnego brandu dla streamerów wielojęzycznych.
- Arabski, Hebrajski, Hindi
- Niemiecki, Francuski, Włoski
- Polski, Rosyjski, Turecki
- Szwedzki, Duński, Norweski
Automatyczne wykrywanie języka
Jeśli nie określisz pola language w żądaniu, system automatycznie wykryje język na podstawie alfabetu. Tekst łaciński domyślnie interpretowany jest jako angielski. Dla innych języków łacińskich (np. polskiego czy hiszpańskiego) zalecamy jawnie ustawienie kodu ISO, aby uniknąć błędnej interpretacji.
- Domyślnie: angielski dla tekstu łacińskiego
- Jawne
languagezalecane dla innych języków - Wsparcie dla 23 języków w jednym API
Technologia za syntezą
Syntezator opiera się na silnikach tts-1 oraz tts-1-hd, które zapewniają spójną jakość głosu bez konieczności wyboru zaawansowanych opcji. Obie wersje wykorzystują ten sam silnik i mają identyczny cennik, co upraszcza integrację w pipeline’ach generowania treści.
Dostosowanie prędkości od 0.25 do 4.0 pozwala na precyzyjne dopasowanie tempa wypowiedzi do dynamiki streamu. Wolniejsze tempo jest idealne do spokojnych narracji, natomiast wyższe wartości sprawdzają się przy szybkich komunikatach w grach.
Silnik tts-1 i tts-1-hd
Oba modele generują audio wysokiej jakości, przy czym wybór zależy od preferencji między standardową wydajnością a nieco wyższą wiernością dźwięku. W praktyce różnica w odbiorze słuchowym jest minimalna, a koszt pozostaje taki sam.
- Jeden silnik dla obu modeli
- Identyczny cennik ($0.01 / 1 000 znaków)
- Odpowiedni do dynamicznego streamingu
Regulacja prędkości od 0.25 do 4.0
Parametr speed pozwala na płynne skalowanie czasu generowania. Przy prędkości 1.0 tekst jest przetwarzany w tempie zbliżonym do rzeczywistego, co zapewnia naturalny rytm wypowiedzi.
- Zakres: 0.25–4.0
- Idealne do Q&A i streamów
- Elastyczne dopasowanie do kontekstu
Niewidoczne znaki wodne w audio
Każdy wygenerowany plik zawiera ukryty znak wodny, który jednoznacznie identyfikuje go jako syntezę komputerową. Jest to standardowa cecha technologii, niewymagająca dodatkowych ustawień ani opłat.

Koszty generowania mowy
Generowanie mowy kosztuje $10 za każdy milion znaków, co przekłada się na $0,01 za 1000 znaków. W cenie uwzględnione są spacje i interpunkcja, więc rzeczywisty koszt zależy od długości przekazanego tekstu. Nie ma tu stałych abonamentów ani ukrytych opłat za wyższe formaty audio – cena zależy wyłącznie od zużytych znaków.
Cena za milion znaków
Cennik jest prosty: $10 za milion znaków. To około $0,01 za każdą tysiąc znaków tekstu wejściowego.
Długi teksty są automatycznie dzielone na fragmenty, a koszty sumują się proporcjonalnie do ich długości. Nie ma kosztów za próbki czy formaty.
- $10 / 1 000 000 znaków
- $0,01 / 1 000 znaków
- Spacje i interpunkcja liczą się jako znaki
Bez opłat za nieudane żądania
Jeśli synteza się nie powiedzie, np. z powodu błędu serwera lub przekroczenia limitu znaków, pobrana kwota zostanie zwrócona w całości.
Płacisz tylko za pomyślnie wygenerowane pliki audio, co minimalizuje ryzyko przy eksperymentowaniu z różnymi głosami.
Przejrzysty rachunek
Saldo konta jest widoczne w panelu użytkownika wraz z historią zużycia znaków. Środki nie wygasają, a każde żądanie jest rozliczane indywidualnie.
Brak faktur VAT lub abonamentów – płacisz wyłącznie za zużyte zasoby, co ułatwia rozliczanie kosztów w projektach freelance.
Integracja z narzędziami streamera
Interfejs API GlosGamer jest w pełni zgodny ze standardami OpenAI, co pozwala na bezproblemową integrację z istniejącymi narzędziami streamerskimi. Wystarczy zmienić bazowy adres URL na https://api.vt338.info/v1 i użyć klucza API w oficjalnych SDK OpenAI.
Ten prosty krok techniczny eliminuje konieczność pisania dedykowanych adapterów. Dzięki kompatybilności z bibliotekami OpenAI, możesz szybko podłączyć syntezę mowy do swoich automatyzacji czy botów.
Endpoint zgodny z OpenAI
Używamy tego samego kształtu żądań co OpenAI, co gwarantuje stabilność połączeń. Wymagany jest jedynie odpowiedni nagłówek autoryzacji Bearer dla klucza API.
- Adres bazowy: https://api.vt338.info/v1
- Kompatybilność z oficjalnymi bibliotekami OpenAI
Szybki start z cURL
Testowanie integracji jest błyskawiczne. Użyj gotowego przykładu cURL, aby wysłać tekst i otrzymać plik audio w formacie MP3 lub OPUS, idealnym do niskiego zużycia CPU podczas streamu.
- Przykładowe żądanie POST /v1/audio/speech
- Obsługa formatów MP3, WAV, OPUS
SDK Python i Node.js
Dla bardziej zaawansowanych automatyzacji dostępne są biblioteki w Pythonie i Node.js. Pozwalają one na płynne wstrzykiwanie generowanej mowy do skryptów sterujących OBS-em lub innymi aplikacjami.
Dane i prywatność twórców
Twoja kreacja wirtualna wymaga zaufania do infrastruktury. GlosGamer zapewnia, że dane wykorzystywane do generowania głosu Twojej postaci są przetwarzane z naciskiem na minimalizację przechowywania i jasne zasady ich używania.
Tekst nie jest używany do treningu
Przesłany tekst służy wyłącznie do wygenerowania żądanego pliku audio. Nie jest on wykorzystywany do trenowania modeli sztucznej inteligencji ani do uczenia się naszych algorytmów.
Pliki audio nie są przechowywane
Wygenerowany plik dźwiękowy jest zwracany w odpowiedzi i nie jest trwale przechowywany na naszych serwerach. Znikają one z systemu zaraz po dostarczeniu klientowi.
Tylko metadane do fakturowania
Przechowujemy jedynie metadane żądania (czas, liczba znaków, status) w celu rozliczenia i weryfikacji poprawności naliczeń. Nie gromadzimy dodatkowych danych osobowych ani treści twórców.
Zaczynaj z GlosGamer
Zaloguj się na vt338.info/get-api-key/, aby natychmiast uzyskać klucz API i 0,50 USD kredytu próbnych ważnego przez 7 dni. Konto bez próby otrzymasz tworząc je adre e-mail i hasłem.
Darmowa próbna kredyty
Konto utworzone przez Google otrzymuje natychmiastowo 0,50 USD (ok. 50 000 znaków) na 7 dni. Konto z e-mailem i hasłem zaczyna bez kredytu.
Top-up przez USDT TRC-20
Wpłaty realizujesz wyłącznie kryptowalutą USDT w sieci TRON (TRC-20). Minimalna kwota to 5 USD, a środki są dostępne automatycznie po kilku minutach.
- Brak kart, PayPal czy subskrypcji
- Saldo nie wygasa
- Bez faktur z VAT
Wsparcie mailowe
Wspieramy Cię wyłącznie przez e-mail. Nie oferujemy numeru telefonu ani czatu na żywo.
Posłuchaj 8 głosów
Każdą z poniższych próbek wygenerowano za pomocą tego API z tego samego zdania. Brzmienie jest ciepłe, ale nie przesadnie emocjonalne, co zapobiega zmęczeniu słuchaczy podczas długich sesji rozmowy.
23 języki
Każdy głos potrafi mówić w którymś z tych języków.
