Синтез речи

POST /v1/audio/speech возвращает аудиофайл целиком, синхронно.

speech = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Здравствуйте! Ваш заказ собран и ждёт в пункте выдачи.",
)
speech.write_to_file("out.mp3")

const speech = await client.audio.speech.create({
  model: 'tts-1',
  voice: 'nova',
  input: 'Здравствуйте! Ваш заказ собран и ждёт в пункте выдачи.',
})
await Bun.write('out.mp3', speech)

curl https://api.mixen.ai/v1/audio/speech \
  -H "Authorization: Bearer $MIXEN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "tts-1", "voice": "nova", "input": "Здравствуйте! Ваш заказ собран и ждёт в пункте выдачи."}' \
  -o out.mp3

Поле	Описание
`input`	Текст, обязательное
`model`	`tts-1` принимается для совместимости; можно указать конкретную модель из каталога
`voice`	`alloy`, `echo`, `fable`, `nova`, `shimmer` и другие — список в поле `voices` каталога. Поведение зависит от модели: у `gpt-4o-mini-tts` (по умолчанию) незнакомый голос молча заменяется на дефолтный, у `grok-voice-tts-1.0` невалидный `voice` вернёт `400` со списком допустимых, у `seed-audio-1-0` — speaker ID пресета (`ru_male_pavel_uranus_bigtts` и др., список в поле `voices`; без `voice` — голос по умолчанию), у ElevenLabs — premade-имена (`george`, `sarah`…, 21 голос в поле `voices`)
`response_format`	Формат аудио
`speed`	Скорость речи

Тарификация зависит от модели. Большинство (gpt-4o-mini-tts, Grok, MiniMax, Voxtral, Qwen, MAI-Voice, ElevenLabs) — по длине входного текста, за 1000 символов: бюджет известен заранее. Seed Audio и Gemini TTS — по длительности сгенерированного аудио (секунда у Seed, аудио-токены у Gemini): списание приходит в ответе по факту, единицы цены — как в каталоге GET /v1/models: per_1k_chars (символы), per_minute (Seed), per_second (Voxtral/Nemotron), per_hour (MAI), пара input_rub_1m/output_rub_1m (Gemini TTS и токенные транскрайбы).

Каталог живых TTS-моделей — в GET /v1/models, записи с type: tts:

Модель	Ключ	Голоса
MiniMax Speech 2.8 HD / Turbo	`minimax/speech-2.8-hd`, `minimax/speech-2.8-turbo`	45 готовых голосов в поле `voices` (`English_Graceful_Lady`…), подходит и другой ID голоса MiniMax — карточка
Gemini 3.8 Flash TTS / Lite	`google/gemini-3.8-flash-tts`, `google/gemini-3.8-flash-lite-tts`	30 голосов в поле `voices` — карточка
Gemini 3.1 Flash TTS	`google/gemini-3.1-flash-tts-preview`	Закрытый набор, в поле `voices`
Grok Voice TTS 1.0	`x-ai/grok-voice-tts-1.0`	Закрытый набор; неверный голос → `400`
Qwen Audio 3.0 TTS Flash / Plus	`qwen/qwen-audio-3.0-tts-flash`, `qwen/qwen-audio-3.0-tts-plus`	По два голоса, в поле `voices`
Voxtral Mini TTS	`mistralai/voxtral-mini-tts-2603`	30 пресетов в поле `voices`: 4 диктора × эмоции (`en_paul_neutral`, `gb_jane_neutral`…); другие ID не принимаются
Seed Audio 1.0	`bytedance-seed/seed-audio-1-0`	Speaker ID пресета в поле `voices` (5 русских, 12 английских); речь и звуковые эффекты, до 120 сек
MAI-Voice-2.1 / Flash	`microsoft/mai-voice-2.1`, `microsoft/mai-voice-2.1-flash`	Полный ID голоса с суффиксом модели (`ru-RU-Masha:MAI-Voice-2.1`); 23 языка, ~100 голосов
Eleven v4 / v4 Turbo	`elevenlabs/eleven-v4`, `elevenlabs/eleven-v4-turbo`	Premade-имена (`george`, `sarah`…) — 21 голос в поле `voices`; аудио-теги `[whispering]` в тексте, до 10 000 символов
Eleven Multilingual v2	`elevenlabs/eleven-multilingual-v2`	Long-form (озвучка, аудиокниги), 29 языков
Eleven Flash v2.5	`elevenlabs/eleven-flash-v2.5`	Real-time, 32 языка, до 40 000 символов

Эндпоинт требует область доступа audio — ключ без неё получит 403. Обратное направление — речь в текст — в гайде распознавания.