旧版使用指南(同步接口)
本页面向平台升级前接入、使用同步接口 /v1/audio/speech 生成音乐的存量用户(模型 volcengine-bgm / volcengine-song),存量调用可继续使用;MiniMax Music(chat 流式)见 MiniMax 格式。新项目建议使用新版异步任务接口(doubao-music-bgm / doubao-music-song),支持批量提交与任务队列统一管理。
volcengine-bgm(文字生成纯音乐)与 volcengine-song(文字生成带人声歌曲)通过同步接口 /v1/audio/speech 调用:请求会一直阻塞到音频生成完毕、直接返回音频二进制。可用模型与最新价格以模型广场为准。
通用调用结构
/v1/audio/speech 音乐模型(BGM / Song)共用同一请求骨架:
voice(音色)、speed(语速)与 metadata(厂商扩展参数透传对象)为模型专属字段,见各能力小节的「火山引擎格式」。
响应:成功返回二进制音频流,按所请求格式保存为文件即可(如 -o speech.mp3);失败返回 JSON 错误体,对照错误码说明排查。
/v1/audio/speech 音频接口调用成功后,响应头会携带计费信息:X-Audio-Duration(音频时长,秒)、X-TTS-Chars(输入字符数)、X-Prompt-Tokens / X-Completion-Tokens / X-Total-Tokens(token 用量)、X-Usage(完整 usage JSON)。MiniMax Speech(chat 端点)的用量直接在响应 JSON 的 usage 字段中。费用明细也可在控制台「使用日志」查看。
音乐生成类模型(BGM / Song)生成耗时约 30~60 秒,客户端超时建议设到 120 秒以上。
背景音乐(BGM)
用一段文字描述生成背景纯音乐,时长等上游参数通过 metadata 扩展对象透传。
火山引擎格式
示例模型:volcengine-bgm,描述仅支持中文,可写曲风、心情、场景、乐器等:
BGM 与 Song 实测仅支持 wav 输出:保存文件请用 .wav 后缀;需要 mp3 可自行转码,如 ffmpeg -i bgm.wav bgm.mp3。
描述越丰富效果越好,可从四个维度组织:曲风(流行 / 古典 / 爵士 / 电子…)、心情(轻松 / 忧伤 / 激昂 / 宁静…)、场景(咖啡馆 / 婚礼 / 运动 / 冥想…)、乐器(钢琴 / 吉他 / 小提琴 / 合成器…)。例如「冥想用的宁静音乐,缓慢的合成器铺底,偶尔有水滴声」。
过于简单的短音乐(时长短且描述很短)容易触发版权校验,建议丰富描述或延长时长。
歌曲(Song)
用灵感描述(提示词)生成带人声的歌曲,也可传入歌词由模型谱曲演唱。
火山引擎格式
示例模型:volcengine-song。input 填灵感描述;歌词、曲风、性别、模型版本等上游参数通过 metadata 扩展对象透传:
本站实测 input 不可置空(返回 input is required.),按歌词生成时建议在 input 中填与歌词内容一致的简短描述;生成歌词与传入歌词可能存在差异(改写 / 重复 / 段落补全),以实际输出为准。
传入歌词生成:metadata.lyrics 非空时模型以歌词内容为准(input 仍必填,内容不参与生成):
