语音合成(TTS)
文本转语音,支持音色与语速控制。两种接入方式:volcengine-tts 系列走 /v1/audio/speech(JSON 请求进、二进制音频流出),MiniMax Speech 走 /v1/chat/completions(chat 格式,音频以 base64 返回)。
voice(音色)与 speed(语速)为 TTS 模型常见的模型专属字段;可用模型与最新价格以模型广场为准。
通用调用结构
所有 /v1/audio/speech 语音合成模型共用同一请求骨架(MiniMax Speech 走 chat 端点,见下文「MiniMax Speech 格式」):
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。
火山引擎格式
示例模型:volcengine-tts-v1 / volcengine-tts-v2,下文以 volcengine-tts-v2 为例:
火山专属参数通过 metadata 对象透传,不需要时可省略。
常用音色(注意区分 v1 / v2 专属):
MiniMax Speech(chat 端点格式)
示例模型:minimax-speech-2.8-hd / minimax-speech-2.8-turbo / minimax-speech-2.6-hd / minimax-speech-2.6-turbo / minimax-speech-02-hd / minimax-speech-02-turbo(下文以 minimax-speech-2.6-turbo 为例)。
本格式与上文 /v1/audio/speech 骨架不同:复用对话端点 POST /v1/chat/completions,要合成的文本放进 messages,语音参数放在 metadata 扩展对象透传;响应是 JSON,音频以 Base64 data URL 形式回在 message.content,解码即音频文件。
响应(chat 格式):
message.content:data:audio/<格式>;base64,<数据>,去掉逗号前的前缀并 Base64 解码,即音频文件message.subtitle_file:字幕地址(开启subtitle_enable时返回)usage.prompt_tokens:本次消耗的 token 数,即计费依据
计费:按 token 计费,消耗 tokens = 字符数 × 20(turbo)/ × 35(hd),字符数按汉字 = 2、英文 / 数字 / 标点 = 1 折算。例:「你好世界。」= 9 字符 = turbo 180 tokens。金额以模型广场价格为准。
实测限制:不支持顶层 response_format(中转站层会报 500,输出格式请用 metadata.audio_setting.format);format 只支持 mp3 / wav(其余报 400);不传 audio_setting 时默认输出 wav 16000Hz;latex_read 的公式必须用 $$ 首尾包裹(单 $ 会按字面朗读,幂次按数字朗读);pronunciation_dict.tone 仅支持斜杠式([["还","huan2"]] 数组式报 400),且实测不可靠(huan2 被字面朗读、huán 丢声调读成一声)——需要强制发音请用文本内联括号写法:把字替换为 (拼音+声调数字),如 我会(huan2)你钱。 读作"我会huán你钱";emotion: "whisper" 各模型均不支持;timbre_weights 混合音色暂不可用;不支持 stream 流式。传入不支持的参数会返回明确报错,以实测为准。
