บันทึกการเปลี่ยนแปลง API
การเปลี่ยนแปลงทุกรายการของ Paxa API ที่ผู้ใช้มองเห็น รวมทุกผลิตภัณฑ์ไว้ในหน้าเดียว เรียงจากล่าสุด ตั้งแต่เอนด์พอยต์สาธารณะตัวแรก
หน้านี้บันทึกการเปลี่ยนแปลงของ Paxa API ทุกรายการที่ผู้ใช้มองเห็น ทั้งฝั่งแปลงข้อความเป็นเสียง ถอดเสียงเป็นข้อความ OCR การแปลภาษา และแพลตฟอร์ม เรียงจากล่าสุด ทุกรายการคือพฤติกรรมที่เปิดให้ใช้งานแล้วจริง
Temperature และแท็กช่วงหยุด#
Paxa TTS Flash v2 อ่านค่า temperature ได้ใน POST /v1/tts, POST /v1/audio/speech และเฟรม start ของการเชื่อมต่อแบบไลฟ์ ค่าอยู่ระหว่าง 0 ถึง 2 ค่าเริ่มต้นคือ 0.5 ใช้กำหนดว่าการอ่านแต่ละคำขอจะต่างกันมากแค่ไหน คำขอที่ไม่ได้ส่งค่านี้จะอ่านที่ 0.5 ซึ่งต่างกันน้อยกว่าเดิม ที่ 0 ข้อความเดิมในเสียงเดิมจะต่างกันน้อยที่สุด เครื่องมือ Speech ใน Console ปรับค่านี้ได้ด้วยแถบเลื่อน ส่วน [short pause] [pause] และ [long pause] เพิ่มความเงียบหลังคำที่อยู่ก่อนแท็ก และ [pause 300ms] กำหนดความยาวเองได้สูงสุด 500 ms หากยาวกว่านั้นจะหยุดเพียง 500 ms และ [emphasis] อ่านเป็นคำกำกับแล้ว
sample_rate และรายการให้เลือกสำหรับแอปที่ใช้รูปแบบ OpenAI#
POST /v1/audio/speech อ่าน sample_rate ของ pcm และ wav แบบเดียวกับ POST /v1/tts และไม่ใช้ค่านี้กับรูปแบบอื่น แต่ค่าที่ส่งมาต้องเป็นอัตราหนึ่งในรายการ แพลตฟอร์มเสียงที่เล่น pcm ดิบในอัตราคงที่จึงได้เสียงในอัตรานั้น ส่วน Paxa TTS Flash ซึ่งรองรับเพียง 24000 Hz จะตอบอัตราอื่นด้วย unsupported_format ส่วน GET /v1/audio/voices และ GET /v1/audio/models แสดงเสียงของ Paxa TTS Flash v2 และตัวโมเดล โดยไม่ต้องใช้คีย์ ที่ path ซึ่งแอปที่ใช้รูปแบบ OpenAI อย่าง Open WebUI อ่านเพื่อเติมรายการให้เลือก และ event started ของ live socket ระบุ format และ sample_rate ของเสียงที่ส่งมา
รองรับชื่อของ OpenAI เสียง pcm ดิบ และเสียงสำหรับสายโทรศัพท์#
POST /v1/audio/speech รับชื่อโมเดลของ OpenAI ได้แก่ tts-1 tts-1-hd gpt-4o-mini-tts gpt-4o-mini-tts-2025-03-20 gpt-4o-mini-tts-2025-12-15 ซึ่งทำงานบน paxa-tts-flash-v2 และชื่อของเสียงทั้ง 13 ชื่อ ซึ่งจับคู่กับเสียงของ Paxa TTS Flash v2 เฮดเดอร์ x-voice-id ในคำตอบบอกว่าเสียงใดเป็นผู้พูด ทุกช่องทางเสียงพูดส่งเสียง pcm ดิบได้ และ Paxa TTS Flash v2 ส่ง pcm กับ wav ได้ตั้งแต่ 8 ถึง 48 kHz ผ่าน sample_rate รวมถึง G.711 แบบ mulaw และ alaw ที่ 8 kHz สำหรับสายโทรศัพท์
รองรับชื่อโมเดลถอดเสียงของ OpenAI และ verbose_json#
POST /v1/audio/transcriptions รับชื่อ whisper-1 gpt-4o-transcribe gpt-4o-mini-transcribe gpt-4o-mini-transcribe-2025-03-20 gpt-4o-mini-transcribe-2025-12-15 ซึ่งทำงานบน paxa-stt-lite-v1-preview และส่งผลแบบ verbose_json ที่มีความยาวเสียงและช่วงข้อความ พร้อม Timestamp ระดับคำเมื่อระบุ timestamp_granularities
ข้อผิดพลาด validation ระบุฟิลด์ และเอกสาร OpenAPI#
ข้อผิดพลาด validation ระบุฟิลด์ที่ไม่ผ่านใน path พร้อม reason ที่คงที่ ทุกคำตอบมี x-request-id รวมถึงคำตอบที่เป็นข้อผิดพลาด สัญญา API เผยแพร่เป็น OpenAPI 3.1 ที่ https://paxalabs.com/openapi.json ส่วน GET /v1/models แสดงรายการโมเดลในรูปแบบของ OpenAI ด้วย และ GET /health รายงานสถานะการออกแบบเสียง
ออกแบบเสียงผ่าน API#
POST /v1/voices/design สร้างเสียงจากคำบรรยาย หรือปรับ draft ตามคำสั่ง แล้วคืนข้อมูลของเสียงและประโยคตัวอย่างเป็น MP3 ในราคา 5 เครดิตต่อคำขอ POST /v1/voices/designed บันทึก draft ส่วน GET /v1/voices/designed แสดงเสียงและช่องที่ใช้ของบัญชี และ PATCH กับ DELETE /v1/voices/designed/{id} เปลี่ยนชื่อและลบเสียง draft จาก Console และ API บันทึกได้ทั้งสองทาง
ออกแบบเสียงของคุณเอง#
เครื่องมือออกแบบเสียงใน Console เปลี่ยนคำบรรยายให้เป็นเสียง แล้วพูดประโยคตัวอย่างด้วยเสียงนั้น บอกสิ่งที่อยากเปลี่ยนแล้วจะได้เสียงที่ปรับแล้ว การออกแบบหรือปรับเสียงแต่ละรอบคิด 5 เครดิต เสียงที่บันทึกแล้วจะได้ id ที่ขึ้นต้นด้วย voice_ ใช้กับ Paxa TTS Flash v2 ได้ใน POST /v1/tts เส้นทางที่ใช้ร่วมกับ OpenAI ได้ และสตรีมมิงสด เฉพาะบัญชีของคุณ การพูดด้วยเสียงนี้คิด 1.25 เท่าของอัตราปกติ หรือ 1.5 เท่าเมื่อขอไทม์สแตมป์ แพ็กเกจฟรีเก็บได้ 1 เสียง Starter 3 เสียง Standard 10 เสียง และ Pro 50 เสียง
Paxa TTS Flash v2 เปิดให้ใช้งานแล้ว#
Paxa TTS Flash v2 (paxa-tts-flash-v2) ใช้งานได้แล้วผ่าน POST /v1/tts เส้นทางที่ใช้ร่วมกับ OpenAI ได้ สตรีมมิงสด และเครื่องมือเสียงพูดใน Console คำกำกับในวงเล็บเหลี่ยมที่เขียนเป็นภาษาไทย อังกฤษ หรือจีน กำหนดวิธีพูดของข้อความที่ตามมา ส่วนเสียง คำอุทาน และเครื่องหมาย <emph> กับ <whisper> ดังขึ้นตรงตำแหน่งที่เขียน ทั้ง 50 เสียงพูดได้ทั้งไทย อังกฤษ และจีนกลาง ในอัตรา 10 เครดิตต่อ 1,000 ตัวอักษรเท่ากับ Paxa TTS Flash
ค่าบริการเสียงพูดลดลงหนึ่งในสาม#
Paxa TTS Flash คิดค่าบริการ 10 เครดิตต่อ 1,000 ตัวอักษร หรือ $10 ต่อหนึ่งล้านตัวอักษร ลดลงจาก 15 เครดิต อัตราใหม่ใช้กับคำขอเสียงพูดทุกคำขอและเครื่องมือเสียงพูดในคอนโซล ไทม์สแตมป์และสตรีมมิงสดก็ลดลงในสัดส่วนเดียวกัน เครดิตที่มีอยู่ในยอดคงเหลือหรือในแพ็กเกจจึงแปลงเป็นเสียงพูดได้มากขึ้น 50 เปอร์เซ็นต์
ตัวเลือกภาษาสำหรับเสียงพูด#
เสียงพูดมีตัวเลือกภาษาแล้ว ช่วยให้อ่านข้อความภาษาไทย อังกฤษ และจีนกลางได้แม่นยำขึ้น เลือกภาษาที่ใช้เขียนข้อความ แล้วตัวเลข สัญลักษณ์ และรหัสอย่าง AB2039 จะอ่านให้เข้ากับภาษานั้น ค่าเริ่มต้นคืออัตโนมัติ ซึ่งเลือกภาษาจากตัวข้อความเอง ใช้ได้กับ POST /v1/tts สตรีมมิงสด และเครื่องมือเสียงพูดในคอนโซล โดยไม่เปลี่ยนค่าบริการ
ส่งความคิดเห็นผ่าน API#
POST /v1/feedback ส่งรายงานผลลัพธ์ที่ผิด ปัญหาของ API หรือปัญหาของแพลตฟอร์ม โดยผูกกับค่า x-request-id ที่ระบุ ส่วน GET /v1/feedback แสดงรายงานของบัญชีพร้อมสถานะและข้อความจากทีม คะแนนของคำขอเพียงรายการเดียวก็ถือเป็นรายงานที่ครบ และการส่งความคิดเห็นไม่ใช้เครดิต
แท็กอารมณ์บนเสียงทดลองสองเสียง#
ขนมชั้นและกะเพราเข้าร่วม Paxa TTS Flash เป็นเสียงทดลองที่อ่านแท็กอารมณ์ที่เขียนไว้ในข้อความ ชุดเสียงจึงเพิ่มเป็น 34 เสียง มีแท็ก 26 คำ เช่น [happy] [sad] และ [furious] ใส่น้ำหนักตั้งแต่ 0 ถึง 1 ได้ เช่น [sad:0.5] ตัวอักษรของแท็กคิดค่าบริการเหมือนข้อความ เสียงอื่นทุกเสียงข้ามแท็ก และ GET /v1/voices เพิ่มฟิลด์ experimental และ emotion_tags
ถอดเสียงแบบเรียลไทม์พร้อมตรวจจับรอบพูด#
Paxa STT Lite Realtime (paxa-stt-lite-realtime-v1-preview) ถอดเสียงขณะพูดผ่าน WS /v1/stt/live และตรวจจับจุดจบของแต่ละรอบพูดเอง ออกแบบมาสำหรับ voice agent speech_started มาเมื่อผู้ใช้เริ่มพูด speech_ended และ transcript ฉบับสุดท้ายหนึ่งชุดมาเมื่อรอบพูดจบ รับ PCM 16 บิตหรือ mu-law จากระบบโทรศัพท์ ส่วนคำใบ้ภาษา สไตล์ รูปแบบการเขียน คลังคำศัพท์ และเวลาระดับคำของ POST /v1/stt ตั้งคงที่ต่อการเชื่อมต่อ คิด 12.5 เครดิตต่อนาทีของเสียงที่รับเข้ามา รวมช่วงเงียบ คิดตลอดบทสนทนา
ภาษาจีนกลางและเสียงใหม่หกเสียง#
Paxa TTS Flash อ่านภาษาจีนกลางแบบอักษรตัวย่อได้แล้ว เพิ่มจากภาษาไทยและอังกฤษ ชุดเสียงเพิ่มเป็น 32 เสียง ได้แก่เสียงจีนกลางสองเสียง เต้าฮวยและอู่หลง เสียงอังกฤษสองเสียง เอสเพรสโซและมอคค่า และเสียงไทยสองเสียง ข้าวเหนียวและต้มยำ ฟิลด์ language ของ GET /v1/voices เพิ่มค่า "zh"
Document Extraction เติมสคีมาจากหน้าเอกสาร#
Paxa Document Extraction (paxa-doc-extract-v1) อ่านไฟล์ PDF หรือรูปภาพผ่าน POST /v1/extract แล้วคืนสคีมาของฟิลด์ที่ระบุชนิดซึ่งคุณส่งมาโดยเติมค่าครบ ทุกค่าคือข้อความที่พิมพ์อยู่บนหน้ากระดาษ หรือ null พร้อมเหตุผล คิด 13 เครดิตต่อหน้าสำหรับสคีมาไม่เกิน 50 ฟิลด์ย่อย และ 19.5 เครดิตสำหรับสคีมาที่ใหญ่กว่า รวมการอ่านเอกสารแล้ว ตัดเครดิตก่อนอ่าน และคืนให้อัตโนมัติเมื่อคำขอล้มเหลว
คำบรรยายกลับมาเป็นไฟล์#
POST /v1/stt รับฟิลด์ subtitles เป็น "srt" หรือ "vtt" แล้วคืนไฟล์คำบรรยายทั้งไฟล์ ช่วงคำบรรยายตัดตรงจุดเปลี่ยนผู้พูด จุดจบประโยค และช่วงเว้นจังหวะ จากนั้นตัดที่ 60 ตัวอักษร ไม่เกินสองบรรทัด และตั้งค่าเองได้ด้วย subtitle_line_chars ทุกจุดขึ้นบรรทัดใหม่อยู่ตรงขอบคำ คำบรรยายภาษาไทยจึงไม่ผ่ากลางคำ คำขอเดียวกันนี้เรียกจาก OpenAI SDK ได้ด้วย POST /v1/audio/transcriptions รับไฟล์เสียงเป็นส่วนไฟล์ และตอบเป็น json text srt หรือ vtt ทั้งหมดนี้ไม่มีค่าใช้จ่ายเพิ่ม
เปิดให้ถอดเสียงแบบพรีวิวงานวิจัยแล้ว#
Paxa STT Lite (paxa-stt-lite-v1-preview) ถอดเสียงบันทึกภาษาไทยและอังกฤษผ่าน POST /v1/stt ตามที่พูดจริงในภาษาที่พูด พร้อมเวลาระดับคำที่ครอบคลุมทั้งคำภาษาไทย ช่วงผู้พูดที่นับจาก 0 สไตล์คำต่อคำหรือเรียบเรียง รูปแบบการเขียนแบบพูดหรือแบบเขียน คำใบ้ภาษาที่ตรวจจับอัตโนมัติเป็นค่าเริ่มต้น และคลังคำศัพท์สูงสุด 50 คำที่ใช้ร่วมกับทุกตัวเลือกได้ คิด 8.33 เครดิตต่อนาทีของเสียง ตัดเครดิตก่อนถอด และคืนให้อัตโนมัติเมื่อคำขอล้มเหลว
เซิร์ฟเวอร์ MCP สำหรับ agent#
@paxalabs/mcp มอบ API ให้ Claude Code, Claude Desktop, Cursor และ MCP client อื่นในรูปแบบเครื่องมือ ทั้งพูดออกลำโพงของเครื่อง บันทึกเสียงเป็นไฟล์ แปลเป็นภาษาไทย และ OCR พร้อมฮุก paxa say ที่พูดแจ้งเมื่อ Claude Code ต้องการคุณ
สั่งหยุดเสียงกลางประโยคได้#
เฟรม cancel บน /v1/tts/live หยุดรอบที่กำลังพูดและทิ้งข้อความที่ค้างในบัฟเฟอร์ ผู้ช่วยจึงหยุดได้ทันทีที่ผู้ใช้พูดแทรกขึ้นมา รอบที่ถูกหยุดยังคงค่าบริการตามใบเสร็จเดิม ส่วนบัฟเฟอร์ที่ถูกทิ้งไม่เคยถูกคิดเงิน
เปิดให้บริการ API OCR#
Paxa OCR Lite (paxa-ocr-lite-v1) อ่านไฟล์ PDF และรูปภาพผ่าน POST /v1/ocr คืนผลเป็น Markdown หรือบล็อกโครงสร้าง คิด 6.5 เครดิตต่อหน้า ตัดเครดิตก่อนอ่าน และคืนให้อัตโนมัติเมื่อคำขอล้มเหลว
อภิธานศัพท์ไม่แพงเหมือนเดิมอีกต่อไป#
ส่งอภิธานศัพท์ทั้งชุดได้เลย คำศัพท์ที่ไม่ปรากฏในข้อความจะถูกตัดออกก่อนเริ่มประมวลผล ไม่ส่งให้โมเดลและไม่คิดค่าบริการ บริบท ตัวอย่าง และอภิธานศัพท์คิด 8 เครดิตต่อ 1,000 ตัวอักษร แทนอัตราการแปล และเพดานขยับขึ้นเป็นอภิธานศัพท์ 5,000 คู่ และ 200,000 ตัวอักษรที่คิดค่าบริการต่อคำขอ พร้อมฟิลด์ instructions ใหม่ สำหรับคำสั่งอิสระที่ตัวเลือกสำเร็จรูปสื่อไม่ได้
คำขอใหญ่ขึ้น ด้วยกติกาค่าบริการข้อเดียว#
ตอนนี้ทุกตัวอักษรในคำขอคิดค่าบริการที่อัตราเดียวกัน รวมบริบท ตัวอย่าง และอภิธานศัพท์ และเพดานของแต่ละฟิลด์เปิดกว้างขึ้นเป็นการแลกเปลี่ยน: ส่งได้ 200 ท่อนข้อความ ตัวข้อความ 20,000 ตัวอักษร อภิธานศัพท์ 1,000 คู่ และ 40,000 ตัวอักษรที่คิดค่าบริการต่อคำขอ
เปิดให้บริการ API แปลภาษา#
Paxa Translate Lite (paxa-translation-lite-v1) แปลจากภาษาต้นทางที่กำหนดได้ 14 ภาษา พร้อมตรวจจับภาษาอัตโนมัติ เป็นภาษาไทย ควบคุมระดับภาษา อภิธานศัพท์ คำทับศัพท์ และบริบทของเอกสารได้
Timestamps และสตรีมมิงสด#
คำขอรับข้อมูลจังหวะเวลาได้ระดับคำ ประโยค หรือช่วงพูด และ WebSocket /v1/tts/live สตรีมเสียงได้ระหว่างที่ข้อความยังทยอยส่งเข้ามา
เปิดให้บริการ API เสียงพูด#
Paxa TTS Flash (paxa-tts-flash-v1) เปิดให้ใช้งานผ่าน POST /v1/tts สังเคราะห์เสียงภาษาไทยและอังกฤษ ตัดเครดิตก่อนสังเคราะห์ และคืนเครดิตอัตโนมัติเมื่อคำขอล้มเหลว
หมายเหตุ
วันที่คือวันเปิดให้ใช้งานจริง สิ่งที่ไม่อยู่ในรายการนี้มีพฤติกรรมตามที่คู่มือแต่ละหน้าอธิบายมาโดยตลอด