phumiTTS

ឯកសារ API

បន្ថែមសំឡេង Phumi ទៅក្នុងកម្មវិធីរបស់អ្នក។ ប្រើសំឡេង និងសមតុល្យក្រេឌីតដូចស្ទូឌីយោ។

អាសយដ្ឋាន APIhttps://phu-mi.com/ttsBearer token

ចាប់ផ្ដើម

បង្កើតឯកសារ WAV ដោយប្រើ Python ឬ cURL។

  1. បង្កើតសោ API

    ចូលទៅកាន់ API keys ក្នុងស្ទូឌីយោ។

  2. រក្សាទុកសោ

    ដាក់ PHUMI_API_KEY ក្នុង environment របស់ server។

  3. ផ្ញើអត្ថបទ

    រត់កូដខាងក្រោម ដើម្បីរក្សាទុក speech.wav។

import os
from pathlib import Path
import httpx

response = httpx.post(
    "https://phu-mi.com/tts/v1/tts",
    headers={
        "Authorization": f"Bearer {os.environ['PHUMI_API_KEY']}"
    },
    json={
        "text": "Hello, welcome to Phumi.",
        "voice_id": "deep_narrator"
    },
    timeout=300,
)
response.raise_for_status()
Path("speech.wav").write_bytes(response.content)

Python ត្រូវការ httpx។ ឧទាហរណ៍ cURL ប្រើ Bash។ កុំដាក់សោ API ក្នុងកូដ browser ឬកម្មវិធីទូរស័ព្ទ។

AI assistants និង MCP

ប្រើ Phumi TTS ជាមួយ AI assistant ដែលគាំទ្រ MCP ដើម្បីបង្កើតសំឡេង រួមទាំង narration សម្រាប់វីដេអូ HyperFrames។ ភ្ជាប់តាម HTTP ឬដំណើរការ server នៅលើកុំព្យូទ័ររបស់អ្នក។ ទាំងពីរប្រើ API key និងក្រេឌីត Phumi ដូចធម្មតា។

សម្រាប់ Streamable HTTP ប្រើ URL ខាងក្រោម និងផ្ញើ Authorization: Bearer <សោ API Phumi> ក្នុង header។ ទុកសោជាសម្ងាត់ និងកុំចែករំលែក configuration។

https://phu-mi.com/tts/mcp

ជម្រើស៖ server ក្នុងកុំព្យូទ័រ

ត្រូវការ Node.js 22.22 ឬថ្មីជាង។ ក្នុង Phumi TTS checkout រត់ npm install នៅ services/mcp ហើយរក្សាទុកសោជា PHUMI_API_KEY ក្នុង environment របស់ AI assistant។ ភ្ជាប់ MCP client តាម stdio ដោយប្រើ node និងផ្លូវពេញទៅ server.mjs។ កុំដាក់សោក្នុងកូដ ឬក្នុង chat។

ជ្រើស client ខាងក្រោម ហើយចម្លងទៅឯកសារកំណត់។ បញ្ចូលក្នុងការកំណត់ដែលមានស្រាប់ ហើយជំនួសផ្លូវដោយផ្លូវពិតទៅ server.mjs។ ចាប់ផ្ដើម client ឡើងវិញ ដើម្បីអាន environment ថ្មី។

~/.codex/config.toml

[mcp_servers.phumi_tts]
command = "node"
args = ["/absolute/path/to/phumi-tts/services/mcp/server.mjs"]
env_vars = ["PHUMI_API_KEY"]

សួរ AI assistant ឱ្យជ្រើសសំឡេង បង្កើត narration និងរក្សាទុក WAV ក្នុងគម្រោង HyperFrames។ ការបង្កើតប្រើក្រេឌីត។ ប្រសិនបើសំណើផុតពេល ប្រើ request_id និងទិន្នន័យដដែលពេលសាកម្ដងទៀត។

បង្កើតសំឡេង

ផ្ញើ JSON ជាមួយ Authorization: Bearer។ ការបង្កើតជោគជ័យត្រឡប់ 200 audio/wav។

POST/v1/tts
textstring

ត្រូវការ

គម្រោងឥតគិតថ្លៃ៖ 1–1,000 តួអក្សរ។ គម្រោងបង់ប្រាក់៖ 1–50,000 តួអក្សរ ជាភាសាខ្មែរ ចិន ឬអង់គ្លេស។ ដកចន្លោះទំនេរនៅដើម និងចុង។

voice_idstring

លំនាំដើម: warm_narrator

ប្រើ ID សំឡេងខាងក្រោម ឬសំឡេងផ្ទាល់ខ្លួនពី /v1/voices។ default ចាស់ត្រូវបានប្ដូរទៅ warm_narrator។

speednumber

លំនាំដើម: 1

ជ្រើស 0.75, 1, 1.25 ឬ 1.5។ កែតម្រូវល្បឿនក្នុងឯកសារសំឡេង ដោយរក្សាកម្រិតសូរ។ ថ្លៃក្រេឌីតមិនផ្លាស់ប្ដូរ។

cfg_valuenumber

លំនាំដើម: 2

តម្លៃពី 0.1 ដល់ 10។

inference_timestepsinteger

លំនាំដើម: 10

តម្លៃពី 1 ដល់ 30។ តម្លៃខ្ពស់ត្រូវការពេលយូរជាង។

សម្រាប់អត្ថបទវែង

ប្រើ POST /v1/tts/jobs ជាមួយ request_id ជា UUID ថ្មី។ អាន status_url រហូតដល់ state ជា complete រួចទាញយក audio_url។ ប្រើ request_id និងអត្ថបទដដែល នៅពេលសាកម្ដងទៀត។

ការតភ្ជាប់ផុតពេល មិនមានន័យថាការងារត្រូវបានបញ្ឈប់ទេ។ ពិនិត្យស្ថានភាពការងារ និងការប្រើប្រាស់ មុនបង្កើតម្ដងទៀត។

សំឡេង

ប្រើសោ Bearer ដើម្បីមើលសំឡេងដែលមាន និងសំឡេងផ្ទាល់ខ្លួនរបស់អ្នក។

GET/v1/voices

សុខា

កក់ក្ដៅ

warm_narrator

ដារា

សំឡេងធ្ងន់

deep_narrator

បុប្ផា

រីករាយ

bright_storyteller

វិជ្ជា

សំឡេងខ្មែរ

vichea

សុភា

សំឡេងខ្មែរ

sophea

រិទ្ធី

សំឡេងខ្មែរ

rithy

ចន្ទា

សំឡេងខ្មែរ

chantha

ម្លិះ

សំឡេងខ្មែរ

malis

ពិសិដ្ឋ

សំឡេងខ្មែរ

piseth

ប្រើ ID សំឡេងដែលត្រឡប់ពី API ជា voice_id ក្នុងសំណើបង្កើតសំឡេងរបស់អ្នក។

ការប្រើប្រាស់

ពិនិត្យសមតុល្យ ការប្រើប្រាស់ និងថ្ងៃកំណត់ឡើងវិញ។ សំណើនេះមិនប្រើក្រេឌីតទេ។

GET/v1/usage

1 ក្រេឌីត = 500 តួអក្សរ

100 តួអក្សរ = 0.2 ក្រេឌីត។ គិតតាមចំនួនតួអក្សរពិត។

សមតុល្យតែមួយ

ស្ទូឌីយោ និង API ប្រើក្រេឌីតរួមគ្នា។ ក្រេឌីតដែលទិញមិនផុតកំណត់។

remaining
ក្រេឌីតដែលនៅសល់
characters_remaining
ចំនួនតួអក្សរដែលនៅសល់
reset_at
ពេលកំណត់ក្រេឌីតឥតគិតថ្លៃឡើងវិញ (UTC)
billing_mode
characters

មើលចំនួនក្រេឌីតឥតគិតថ្លៃ និងពេលកំណត់បន្ទាប់ក្នុង /v1/usage។ ចន្លោះ និងសញ្ញាវណ្ណយុត្តខាងក្នុងអត្ថបទត្រូវបានរាប់។ ការបង្កើតឡើងវិញគិតថ្លៃអត្ថបទដែលផ្ញើទាំងមូល។ ការងារបរាជ័យប្រគល់ក្រេឌីតដែលបានកក់វិញ តាមកាលកំណត់ក្រេឌីតឥតគិតថ្លៃប្រចាំខែ។

កូដកំហុស

ពិនិត្យ HTTP status មុនរក្សាទុកចម្លើយជាឯកសារសំឡេង។

កូដកំហុស
កូដអ្វីដែលត្រូវធ្វើ
400 / 422ពិនិត្យអត្ថបទ និងប៉ារ៉ាម៉ែត្រដែលមិនត្រឹមត្រូវ។
401ពិនិត្យសោ API ថាបាត់ ផុតកំណត់ ឬត្រូវបានដកហូត។
402ក្រេឌីតមិនគ្រប់គ្រាន់។ ទិញបន្ថែម ឬរង់ចាំការកំណត់ក្រេឌីតឥតគិតថ្លៃឡើងវិញប្រចាំខែ។
404រកមិនឃើញសំឡេង ឬការងារ ឬមិនមែនជារបស់គណនីនេះ។
409request_id ត្រូវបានប្រើជាមួយសំណើផ្សេង ឬសំឡេងមិនទាន់រួចរាល់។
429ប្រព័ន្ធកំពុងរវល់។ គោរព Retry-After ប្រសិនបើមាន ហើយសាកម្ដងទៀតដោយបង្កើនពេលរង់ចាំ។
500 / 503 / 504ការបង្កើតបរាជ័យ ឬមិនទាន់បញ្ចប់។ ពិនិត្យស្ថានភាពការងារមុនសាកម្ដងទៀត។

សោ API អាចមានសុពលភាព 30, 90 ឬ 365 ថ្ងៃ។ អនុញ្ញាតឱ្យមានសោសកម្មរហូតដល់ 5 ក្នុងមួយគណនី។