• 简体中文
  • 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」):

    curl https://api-model.shuntianchuang.cn/v1/audio/speech \
      -H "Authorization: Bearer sk-你的令牌" \
      -H "Content-Type: application/json" \
      -d '{
        "model": "<模型名>",
        "input": "<文本 / 描述>",
        "response_format": "<输出格式>"
      }' \
      -o output.<格式>
    字段类型必填说明
    modelstring是模型名,可用音频模型以模型广场为准
    inputstring是文本输入:TTS 为待合成文本,BGM / Song 为音乐描述或灵感提示词
    response_formatstring视模型输出音频格式,可选值与是否必填随模型而异,见各能力小节

    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。

    NOTE

    /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。

    WARNING

    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:

    字段类型必填说明
    modelstring是volcengine-tts-v2(seed-tts-2.0)或 volcengine-tts-v1(seed-tts-1.0)
    inputstring是要合成语音的文本
    voicestring是音色 ID,见下方常用音色
    response_formatstring否输出格式,默认 mp3,可选 mp3 / wav / ogg_opus / pcm
    speedfloat否语速倍率,范围 0.5~2.0,默认 1.0
    metadata.resource_idstring否指定上游资源版本,如 seed-tts-2.0
    metadata.emotionstring否情感(如 happy),仅多情感音色支持
    metadata.sample_rateint否采样率,范围 8000~48000

    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):

    音色 ID说明
    zh_female_vv_uranus_bigtts女声-温柔(TTS v2 专属)
    zh_male_JingQiangKanye_uranus_bigtts男声-精英(TTS v2 专属)
    zh_male_jingqiangkanye_emo_mars_bigtts男声-情感(TTS v1)
    zh_female_qingxinnvsheng_mars_bigtts女声-清新(TTS v1)
    TIP
    cURL
    Python (openai)
    Node.js (openai)
    # 返回的即是音频文件内容,直接保存
    curl https://api-model.shuntianchuang.cn/v1/audio/speech \
      -H "Authorization: Bearer sk-你的令牌" \
      -H "Content-Type: application/json" \
      -d '{
        "model": "volcengine-tts-v2",
        "input": "你好,欢迎使用顺天创 API 模型服务。",
        "voice": "zh_female_vv_uranus_bigtts",
        "response_format": "mp3",
        "speed": 1.0
      }' \
      -o speech.mp3

    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)。

    NOTE

    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。

    字段类型必填说明
    modelstring是minimax-speech-* 系列,如 minimax-speech-2.6-turbo
    messagesarray是要合成语音的文本,全部 content 按顺序拼接朗读
    voicestring否音色 ID 便捷写法,等价 metadata.voice_setting.voice_id;默认 female-shaonv
    metadata.voice_settingobject否音色与语气:voice_id(音色 ID)、speed(语速 0.5-2,默认 1.0)、vol(音量 0-10)、pitch(音调 -12~12)、emotion(happy / sad / angry / fearful / disgusted / surprised / calm / fluent)、text_normalization(数字规范化)、latex_read(朗读 LaTeX,公式须用 $$ 首尾包裹,单 $ 不生效)
    metadata.audio_settingobject否音频参数:format(仅 mp3 / wav,默认 wav 16000Hz)、sample_rate(8000~44100)、bitrate(仅 mp3,可传,实测上游恒定输出 128k 码流)、channel(1 / 2,实测上游恒为单声道)
    metadata.pronunciation_dictobject否发音替换(斜杠式):{"tone": ["还/huan2"]}(⚠️ 实测不可靠——拼音被字面朗读或丢声调,强制发音请改用文本内联写法:把字替换为 (拼音+声调数字),如 我会(huan2)你钱。 读作"我会huán你钱")
    metadata.language_booststring否传 "auto" 自动识别语种
    metadata.voice_modifyobject否音色调整:pitch / intensity / timbre(-100~100)、sound_effects(如 lofi_telephone)
    metadata.subtitle_enablebool否true 返回字幕,地址在 message.subtitle_file(有时效,请及时转存)
    metadata.subtitle_typestring否字幕粒度:sentence / word
    metadata.aigc_watermarkbool否是否添加 AIGC 水印(实测会在音频末尾追加一段水印提示音,时长变长属正常)

    响应(chat 格式):

    {
      "model": "minimax-speech-2.6-turbo",
      "choices": [
        {
          "message": {
            "role": "assistant",
            "content": "data:audio/mpeg;base64,//NExAA...",
            "subtitle_file": "https://.../xxx.titles?Expires=..."
          },
          "finish_reason": "stop"
        }
      ],
      "usage": { "prompt_tokens": 180, "completion_tokens": 0, "total_tokens": 180 }
    }
    • 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。

    WARNING

    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。

    cURL
    Python (openai)
    Node.js (openai)
    curl https://api-model.shuntianchuang.cn/v1/chat/completions \
      -H "Authorization: Bearer sk-你的令牌" \
      -H "Content-Type: application/json" \
      -d '{
        "model": "minimax-speech-2.6-turbo",
        "messages": [
          { "role": "user", "content": "我会(huan2)你钱。圆面积是$$\\pi r^2$$平方米。" }
        ],
        "metadata": {
          "voice_setting": { "voice_id": "female-shaonv", "speed": 1.2, "latex_read": true },
          "audio_setting": { "format": "mp3", "sample_rate": 32000 },
          "subtitle_enable": true
        }
      }'
    # 文本内联写法:把字替换为 (拼音+声调数字),「还(huan2)」读 huán;
    # LaTeX 公式用 $$ 首尾包裹并开启 latex_read,按公式朗读(幂次按数字念)
    # 响应 JSON 中 message.content 为 "data:audio/mpeg;base64,...",解码即 mp3