Brainiall Stimme (für die Höhe)

Zwei Drittel, eine API Oberfläche

Brainiall Voice schiffe als ein einziges endpoint mit zwei qualitativ hochwertige tiers ausgewählt per anfrage über die tier Parameter. Default ist edge (12 englische Stimmen, 24 kHz, ~150 ms Lateanz). „Pro“ für Klonung, emotionale Kontrolle, 99 Sprachen und 48 kHz-Studio-Ausgabe – nur für Anfragen, die sich entscheiden.

Pro-Tier Kapazitäten

Verwendung von Fällen

Wie wir vergleichen

Unabhängige Referenzwerte für die Stimmqualität in englischen, portugiesischen, japanischen und mandarinischen Proben, geschätzt auf Naturlichkeit (MOS) und Markenkonsistenz.

Quickstart – Klonen Sie eine Stimme in zwei Anfragen

# 1. Create a voice clone from a 5-second reference
curl -X POST https://api.brainiall.com/v1/voice/clones \
  -H "Authorization: Bearer $BRAINIALL_KEY" \
  -F "name=brand_founder" \
  -F "audio=@reference_5s.wav"
# → { "voice_id": "vc_a3f9...", "name": "brand_founder", "ready": true }

# 2. Synthesize with the cloned voice + emotional control
curl -X POST https://api.brainiall.com/v1/tts/synthesize \
  -H "Authorization: Bearer $BRAINIALL_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Welcome to our 2026 product launch.",
    "voice": "vc_a3f9...",
    "tier": "pro",
    "language": "en",
    "style": "excited",
    "format": "wav_48khz"
  }' \
  --output launch.wav

Ehrlichkeit Abschnitt – was Pro Tier nicht tut

• Singen oder musikalische Leistung. Pro Tier zielt auf natürliche Sprache. Pitch-Kontrolle über SSML „Prosody“ Es wird unterstützt, aber nicht melodisches Lied.
• Echtzeit Sub-100 ms TTFT. Pro-Tier-Streams strömen bei ~500 ms TTFT. Für Agent-Nutzungsfälle, die <200 ms erste Audioframe benötigen, verwenden Sie Edge-Tier (~150 ms TTFT).
• Klonierung öffentlicher Figuren oder Urheberrechte. Stimmklonen erfordern die schriftliche Zustimmung des Quellsprechers (verifiziert über das Zertifizierungsformular während der Klonenerstellung). Stimmen von öffentlichen Figuren, verstorbenen Personen ohne Zustimmung des Eigentums und Charaktere aus den Urhebermedien sind auf der Moderatumschicht blockiert.
• 100% faktische emotionale Inferenz. Die style Der Parameter ist eine Richtlinie, nicht eine Garantie – extreme Staaten (Terror, Ekstasy) ziehen sich zu unterdrückten Naturalismusinterpretationen, um unschädliche Auswirkungen zu vermeiden.
• Sub-1 s end-to-end auf der aktuellen CPU-Flotte. Die Übertragungszeit-für-Erste-Bit-Nummer oben (~150 ms Edge, ~500 ms Pro) beschreibt, wann der erste Audiochunk den Server verlässt, nicht, wenn die vollständige Ausgabe dargestellt wird. 3.8 s Für häufig wiederverwendete Inhalte (IVR-Prompts, App-Alarts, Voice-Agent-Canned-Reaktionen), cache das renderierte Audio auf Ihrer Seite – der zweite Hit ist dann eine Dateifettung, nicht eine Synthese.

Preise