Najczęściej zadawane pytania
Czy to IVONA syntezator?
Nie, Fonogram to niezależny syntezator TTS oparty na nagraniach z LibriTTS-R i LibriVox. Nie jesteśmy powiązani z OpenAI ani innymi markami. Nasze głosy to osiem presetów (np. Aria, Felix) wygenerowanych z licencjonowanych nagrań, a nie istniejący wcześniej produkt IVONA.
Jakie formaty plików audio są wspierane?
API obsługuje formaty: mp3, wav, opus, flac oraz pcm. Możesz wybrać żądany format w polu response_format podczas wysyłania zapytania do endpointu /v1/audio/speech. Wszystkie wygenerowane pliki zawierają niewidoczny znak wodny oznaczający je jako syntetyczną mowę.
Czy mogę używać syntezatora do filmów reklamowych?
Tak, Fonogram jest idealny do reklam i spotów radiowych. Oferujemy głosy takie jak Felix (energetyczny) czy Nova (jasna, radosna), które pasują do marketingu. Tekst jest używany tylko do wygenerowania audio i nie jest wykorzystywany do treningu modelu, co zapewnia prywatność Twoich scenariuszy.
Jakie są limity szybkości generowania?
Możesz dostosować prędkość wypowiedzi w zakresie od 0.25 do 4.0 razy. Domyślna prędkość to 1.0. Zmiana prędkości wpływa na czas generowania, ale nie na cenę. Tekst jest przetwarzany sekwencyjnie, więc przy dużym obciążeniu może pojawić się kolejka.
Czy tekst jest wykorzystywany do treningu modelu?
Nie. Wysłany tekst jest używany wyłącznie do wygenerowania pliku audio. Po zwróceniu wyniku audio nie jest przechowywane. Tylko metadane zapytania (czas, liczba znaków, status) są zapisywane w celu rozliczenia. Twoje dane wejściowe nie są wykorzystywane do uczenia modelu.
Jakie języki są wspierane?
Obsługujemy 23 języki, w tym angielski, polski, niemiecki, hiszpański, francuski, włoski, rosyjski, chiński, japoński, koreański, arabski, turecki, grecki, hebrajski, hindi, malezyjski, szwedzki, norweski, duński, fiński, holenderski, portugalski i suahili. Nie wspieramy bułgarskiego. Każdy głos mówi każdym z tych języków. Jeśli nie podasz kodu, język jest domyślnie zgadywany (domyślnie angielski dla tekstu łacińskiego).
Czy są dostępne głosy męskie i żeńskie?
Tak, oferujemy 8 presetów: cztery żeńskie (Aria, Nova, Luna, Sage) i cztery męskie (Felix, Milo, Atlas, Orion). Każdy głos może mówić każdym z obsługiwanych języków. Głosy pochodzą z licencjonowanych nagrań LibriTTS-R i są dostępne przez API.
Jak szybko generowany jest plik audio?
Długie teksty generują się w czasie zbliżonym do czasu rzeczywistego (ok. 25 znaków na sekundę). Krótkie frazy mogą trwać kilka sekund. Zapytania są przetwarzane jedno po drugim, więc przy dużym obciążeniu serwera może wystąpić opóźnienie wynikające z kolejki.
Czy mogę zmienić prędkość wypowiedzi?
Tak, parametr speed akceptuje wartości od 0.25 do 4.0. Pozwala to na przyspieszenie lub zwolnienie wypowiedzi zgodnie z potrzebami Twojego projektu. Zmiana prędkości nie wpływa na cenę za znak ani na dostępne formaty plików audio.
Jakie są koszty generowania 1000 znaków?
Koszt wynosi $0.01 za 1000 znaków (licząc spacje i interpunkcję). Cena to $10 za milion znaków. Niepomyślne zapytania są darmowe, a opłata jest zwracana w całości w przypadku błędu syntezy. Brak opłat abonamentowych czy minimalnych wydatków.
Czy wystawiana jest faktura VAT?
Nie, nie wystawiamy faktur z VAT ani nie oferujemy faktur w ogóle. Płatności odbywają się wyłącznie za pomocą kryptowaluty USDT w sieci TRON (TRC-20). Nie ma możliwości płatności kartą, PayPal ani przelewem bankowym z fakturą.
Jak działa kredyt próbny?
Po rejestracji przez Google otrzymujesz $0.50 kredytu (ok. 50 000 znaków) ważnego przez 7 dni. Konta założone emailem i hasłem nie mają kredytu próbnego. Środki nie wygasają po okresie próbnym, a nadwyżkę doładowujesz USDT na TRON.
Czy mogę wypłacić środki?
Nie oferujemy wypłaty środków. System działa na zasadzie doładowwania konta. Środki na koncie nie wygasają. Doładunek minimum $5 w USDT (TRC-20) jest kredytowany automatycznie w ciągu kilku minut. Brak możliwości wypłaty zgromadzonego salda.
Pierwsze żądanie
curl
curl https://api.51519.net/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 Fonogram?
Synteza mowy w Fonogramie jest zaprojektowana z myślą o presji czasowej typowej dla branży reklamowej. Krótkie frazy generowane są w kilka sekund, a dłuższe teksty generowane są w tempie zbliżonym do rzeczywistego (ok. 25 znaków na sekundę). Dzięki temu możesz szybko iterować nad scenariuszem, nie czekając godzinami na gotowe pliki audio.
API jest prostym interfejsem HTTP, który integruje się z Twoim workflow bez zbędnych zależności. Wyślij tekst przez endpoint i otrzymaj gotowy plik dźwiękowy. Nie musisz uczyć się skomplikowanych protokołów ani budować specjalistycznych warstw pośredniczących – wystarczą standardowe narzędzia programistyczne dostępne w każdym ekosystemie.
Szybkość generowania
Generowanie krótkich fragmentów tekstu zajmuje zwykle kilka sekund. Przy dłuższych tekstach proces trwa w tempie zbliżonym do czasu rzeczywistego, co pozwala na błyskawiczne testowanie różnych wariantów lektury w trakcie produkcji spotu radiowego lub wideo.
Zapytania są przetwarzane sekwencyjnie, więc przy dużym obciążeniu może wystąpić krótkie oczekiwanie w kolejce. To standardowa cena za niezawodność i niski koszt jednostkowy usługi.
- Generowanie krótkich fraz: kilka sekund
- Generowanie długich tekstów: ok. 25 znaków/sekundę
- Brak opóźnień związanych z ładowaniem dużych modeli
Tanie wdrożenia
Koszt syntezacji wynosi $10 za milion znaków, co przy krótkich spotach reklamowych oznacza ułamek grosza za sekundę lektury. Płatność jest ściśle powiązana z faktycznym zużyciem, bez ukrytych kosztów abonamentowych.
Model oparty na pre-paidzie i kryptowalucie USDT (sieć TRC-20) eliminuje konieczność obsługi faktur i prowizji bankowych. Minimalna wpłata to zaledwie $5, co sprawia, że testowanie usługi jest tanie i bezryzykowne.
- Brak kosztów stałych
- Płatność za zużycie
- Minimalna wpłata $5
Jak to działa?
Proces generowania głosu w Fonogramie jest zdefiniowany i przewidywalny. Wysyłasz tekst przez proste API, a system zwraca gotowy plik dźwiękowy, który możesz od razu wykorzystać w materiale reklamowym.
Integracja z Twoim workflow zajmuje kilka minut. Dzięki kompatybilności z istniejącymi narzędziami nie musisz uczyć się nowych technologii od zera – wystarczy jeden request HTTP.
Wysyłasz tekst
Wyślij tekst do endpointu POST https://api.51519.net/v1/audio/speech. Maksymalna długość to 4096 znaków. Jeśli tekst jest dłuższy, podziel go na mniejsze fragmenty.
- Zawartość JSON z polem
input - Wybór głosu (np.
atlasdla newsów) - Format wyjściowy (mp3, wav, opus)
Otrzymujesz plik audio
Odpowiedź zawiera plik audio gotowy do użycia. Czas generowania wynosi około 25 znaków na sekundę. Krótkie frazy trwają kilka sekund, dłuższe materiały są przetwarzane kolejno.
Integracja z workflow
Interfejs API jest zgodny ze wzorcem OpenAI, więc działają oficjalne biblioteki OpenAI po zmianie base_url. Nie potrzebujesz dedykowanego SDK ani specjalistycznych driverów.
- Jeden klucz API na konto
- Łatwa automatyzacja w Pythonie lub JS
- Brak konieczności obsługi strumieniowania
Głosy i języki
Fonogram oferuje 8 precyzyjnie dobranych głosów, od ciepnej narratorki Arii po głęboki głos dokumentalny Oriona. Każdy głos pochodzi z licencjonowanych nagrań i pasuje do różnych stylów reklamowych.
8 unikalnych głosów
Wybierz spośród żeńskich (Aria, Nova, Luna, Sage) i męskich (Felix, Milo, Atlas, Orion) presetów. Każdy głos ma charakterystyczną barwę, od energetycznego Felixu po neutralny Atlas.
23 języki
API obsługuje 23 języki, w tym polski, angielski, niemiecki czy hiszpański. Głosy mogą mówić dowolnym z wymienionych języków, co pozwala na łatwą lokalizację spotów.
Dopasowanie tonu
Ustaw szybkość od 0.25 do 4.0 i dobierz format audio. System automatycznie wykrywa język na podstawie tekstu, ale warto go jawnie określić dla tekstów łacińskich innych niż angielski.
Dla kogo?
Fonogram został zaprojektowany z myślą o specjalistach, którzy cenią czas i budżet. Nasze API eliminuje konieczność organizowania sesji nagraniowych, rezerwowania studiów i czekania na lektorów.
Dzięki prostemu interfejsowi i niskim kosztom, generowanie głosu staje się naturalnym elementem Twojego codziennego workflowu, od pierwszego szkicu po finalny montaż.
Freelancerzy
Zyskaj niezależność od dostępności lektorów i wyższych stawek godzinowych. Wysyłasz tekst, a w kilka sekund otrzymujesz gotowy plik audio.
Idealne rozwiązanie, gdy potrzebujesz szybko zmodyfikować tekst w nagraniu bez ponownej rejestracji dźwięku.
- Dostępność 24/7 bez czekania
- Płatność tylko za zużyte znaki
- Łatwa integracja z dowolnym edytorem
Agencje reklamowe
Testuj różne warianty tekstów reklamowych w ekspresowym tempie. Generuj warianty z różnymi głosami (np. energicznym Felixem czy neutralnym Atłasem) bez dodatkowych kosztów logistycznych.
Oszczędzasz budżet na sesjach nagraniowych, kierując go bezpośrednio w marketing.
- Szybkie A/B testy głosów
- Brak minimalnych zamówień
- Skalowanie produkcji spotów
Twórcy wideo
Uzupełnij swoje projekty profesjonalnym głosem narracyjnym bez wychodzenia z domu. Idealne do filmów reklamowych, spotów radiowych i relacji z mediów społecznościowych.
Dopasuj ton wypowiedzi do klimatu materiału, wybierając spośród 8 unikalnych presetów.
- Gotowe pliki do montażu
- Wsparcie dla wielu języków
- Szybkie iteracje
Technologia
Fonogram wykorzystuje zaawansowane modele syntezy mowy do zamiany tekstu na wysokiej jakości pliki audio. Dostępne są dwa modele: tts-1 oraz tts-1-hd, które oferują ten sam silnik i cenę.
Synteza TTS
System przetwarza tekst do 4096 znaków w jednym żądaniu. Jeśli tekst jest dłuższy, należy go podzielić na fragmenty i połączyć wygenerowane pliki audio. Każdy plik zawiera niewidoczny znak wodny oznaczający go jako syntezę cyfrową.
Formaty audio
Obsługiwane są formaty mp3, wav, opus, flac oraz pcm. Wybór formatu zależy od potrzeb Twojego projektu – mp3 i opus są optymalne do plików wideo, podczas gdy wav i flac zapewniają wysoką wierność dźwięku.
Wydajność
Generowanie trwa około 25 znaków na sekundę, co odpowiada prędkości czasu rzeczywistego dla dłuższych tekstów. Krótsze frazy mogą generować się kilka sekund. Żądania są przetwarzane kolejno, więc przy dużym obciążeniu może wystąpić kolejka.
- Limit: 60 żądań na minutę
- Pierwsze żądania: 10 na minutę

Zalety API
API Fonogramu eliminuje potrzebę ręcznego koordynowania nagrań. Wysyłasz tekst przez prosty endpoint, a system zwraca gotowy plik audio. Cały proces generowania trwa od kilku sekund do kilku minut, w zależności od długości materiału, co pozwala na błyskawiczne testowanie różnych wersji spotów.
Automatyzacja
Integracja z API pozwala na automatyczne generowanie voice-overów w ramach Twojego workflow. Dzięki temu możesz szybko iterować nad treściami reklamowymi bez oczekiwania na dostępność lektora.
- Jedno polece HTTP zwraca plik audio
- Dopasowanie szybkości głosu od 0.25x do 4.0x
- Zwrot pełnej kwoty przy nieudanych requestach
Skalowalność
System obsługuje żądania z limitem 60 zapytań na minutę na klucz API. Dla większych projektów wystarczy rozdzielić tekst na fragmenty do 4096 znaków i połączyć wyniki.
- Brak limitu liczby generowanych plików
- Brak miesięcznych abonamentów czy stałych opłat
- Płatność tylko za zużyte znaki ($0.01 / 1000 znaków)
Elastyczność
API działa z dowolnym językiem programowania obsługującym HTTP. Nie musisz uczyć się własnego SDK – wystarczy zmienić base_url w oficjalnych bibliotekach OpenAI lub wysłać zwykłe żądanie POST.
- Kompatybilność z formatami mp3, wav, opus, flac, pcm
- Możliwość wyboru jednego z 8 presetów głosowych
- Wygodne topowanie salda przez USDT (TRC-20)
Bezpieczeństwo
Fonogram traktuje Twoje dane z pełnym szacunkiem. Tekst wprowadzony do API służy wyłącznie do wygenerowania konkretnego pliku audio i nie jest wykorzystywany do trenowania modeli ani do innych celów.
Po zakończeniu procesu syntezy wygenerowany plik jest zwracany w odpowiedzi i nie jest przechowywany na naszych serwerach. Pozostawiamy tylko podstawowe metadane wymagane do rozliczenia zużycia znaków.
Prywatność danych
Twoje teksty i wygenerowane pliki nie są archiwizowane po dostarczeniu odpowiedzi. Jedynymi danymi, które zapisujemy, są metadane żądań (czas, liczba znaków, status) niezbędne do prawidłowego naliczenia opłat z Twojego konta.
- Tekst nie jest przechowywany po syntezie
- Metadane służą wyłącznie do fakturacji
Brak treningu
Zasób, który wysyłasz do naszej syntezy, jest używany natychmiastowo do stworzenia audio. Nie jest on wykorzystywany do uczenia lub doskonalenia naszych algorytmów TTS ani innych modeli językowych.
Anonimowość
Możesz korzystać z API bez ujawniania tożsamości, używając klucza API wygenerowanego podczas rejestracji. Nie zbieramy dodatkowych danych osobowych poza tymi niezbędnymi do utworzenia konta i rozliczenia transakcji (metadata żądań).
Szybki start
Rejestracja jest błyskawiczna – wystarczy logowanie przez Google lub prosty formularz. W ciągu minut otrzymujesz dostęp do panelu, gdzie zarządzasz swoim kontem i budżetem.
Rejestracja
Zarejestruj się na /get-api-key/, używając konta Google lub podając adres e-mail. Nie wymagamy kart ani umów ramowych – dostęp otrzymujesz natychmiast.
Klucz API
W panelu generujesz unikalny klucz zaczynający się od "tts-". To jedyne, czego potrzebujesz do autoryzacji. Możesz go zresetować w dowolnym momencie, co unieważnia poprzedni natychmiast.
Pierwszy request
Wyślij żądanie POST do https://api.51519.net/v1/audio/speech z tekstem do 4096 znaków. Otrzymasz plik audio w wybranym formacie (mp3, wav, opus) w kilka sekund.
- Model: tts-1 lub tts-1-hd
- Autoryzacja: Authorization: Bearer tts-...
- Formaty: mp3, wav, opus, flac, pcm
FAQ
Masz pytania dotyczące integracji lub licencjonowania? Poniżej znajdziesz konkretne odpowiedzi oparte na faktach technicznych i cenowych, które pomogą Ci szybko zweryfikować, czy Fonogram pasuje do Twojego workflow.
Odpowiedzi dotyczą głównie specyfiki naszych 8 głosów, formatów plików oraz zasad płatności, bez zbędnych uzupełnień marketingowych.
Czy to IVONA?
Nie. Nasze głosy to niezależne syntezatory oparte na nagraniach z bibliotek LibriTTS-R i LibriVox (licencje CC BY 4.0 oraz domain public). IVONA była technologią Amazonu, natomiast my oferujemy własny silnik TTS z 8 presetami głosu, które nie są wierną kopią żadnych znanych lektorów.
Jaka jakość?
Audio jest generowane w czasie zbliżonym do rzeczywistego (ok. 25 znaków na sekundę). Każdy plik zawiera niewidoczny znak wodny sygnalizujący syntezę. Dostępne formaty to mp3, wav, opus, flac i pcm. Jakość jest spójna, ale nie jest to nagranie studyjne – to syntezator AI.
Dla jakich projektów?
API idealnie sprawdza się do reklam wideo, spotów radiowych i prezentacji, gdzie liczy się szybkość i niska cena za minutę audio. Nie nadaje się do dłuższych audiobooków ze względu na limit 4096 znaków na jedno zapytanie API (wymaga podziału tekstu).
Posłuchaj 8 głosów
Każdą z poniższych próbek wygenerowano za pomocą tego API z tego samego zdania. Sama treść głosu ani tekst źródłowy nie są archiwizowani po zakończeniu transakcji.
23 języki
Każdy głos potrafi mówić w którymś z tych języków.
