同步语音合成 HTTP

备用接口地址 https://api-bj.minimaxi.com/v1/t2a_v2

Authorizations

Authorization

string

header

required

HTTP: Bearer Auth

Security Scheme Type: http
HTTP Authorization Scheme: Bearer API_key，用于验证账户信息，可在账户管理>接口密钥中查看。

Headers

Content-Type

enum<string>

default:application/json

required

请求体的媒介类型，请设置为 application/json，确保请求数据的格式为 JSON

可用选项:

application/json

Body

application/json

model

enum<string>

required

请求的模型版本，可选范围：speech-2.6-hd, speech-2.6-turbo, speech-02-hd, speech-02-turbo, speech-01-hd, speech-01-turbo.

可用选项:

speech-2.6-hd,

speech-2.6-turbo,

speech-02-hd,

speech-02-turbo,

speech-01-hd,

speech-01-turbo

text

string

required

需要合成语音的文本，长度限制小于 10000 字符，若文本长度大于 3000 字符，推荐使用流式输出

段落切换用换行符标记
停顿控制：支持自定义文本之间的语音时间间隔，以实现自定义文本语音停顿时间的效果。使用方式：在文本中增加<#x#>标记，x 为停顿时长（单位：秒），范围 [0.01, 99.99]，最多保留两位小数。文本间隔时间需设置在两个可以语音发音的文本之间，不可连续使用多个停顿标记

stream

boolean

控制是否流式输出。默认 false，即不开启流式

stream_options

object

显示子属性

stream_options.exclude_aggregated_audio

boolean

设置最后一个 chunk 是否包含拼接后的语音 hex 数据。默认值为 False，即最后一个 chunk 中包含拼接后的完整语音 hex 数据

voice_setting

object

显示子属性

voice_setting.voice_id

string

required

合成音频的音色编号。若需要设置混合音色，请设置 timbre_weights 参数，本参数设置为空值。支持系统音色、复刻音色以及文生音色三种类型，以下是部分最新的系统音色（ID），可查看系统音色列表或使用查询可用音色 API 查询系统支持的全部音色

中文:
- moss_audio_ce44fc67-7ce3-11f0-8de5-96e35d26fb85
- moss_audio_aaa1346a-7ce7-11f0-8e61-2e6e3c7ee85d
- Chinese (Mandarin)_Lyrical_Voice
- Chinese (Mandarin)_HK_Flight_Attendant
英文:
- English_Graceful_Lady
- English_Insightful_Speaker
- English_radiant_girl
- English_Persuasive_Man
- moss_audio_6dc281eb-713c-11f0-a447-9613c873494c
- moss_audio_570551b1-735c-11f0-b236-0adeeecad052
- moss_audio_ad5baf92-735f-11f0-8263-fe5a2fe98ec8
- English_Lucky_Robot
日文:
- Japanese_Whisper_Belle
- moss_audio_24875c4a-7be4-11f0-9359-4e72c55db738
- moss_audio_7f4ee608-78ea-11f0-bb73-1e2a4cfcd245
- moss_audio_c1a6a3ac-7be6-11f0-8e8e-36b92fbb4f95

voice_setting.speed

number<float>

default:1

合成音频的语速，取值越大，语速越快。取值范围 [0.5,2]，默认值为1.0

必填范围: 0.5 <= x <= 2

voice_setting.vol

number<float>

default:1

合成音频的音量，取值越大，音量越高。取值范围 (0,10]，默认值为 1.0

必填范围: x <= 10

voice_setting.pitch

integer

default:0

合成音频的语调，取值范围 [-12,12]，默认值为 0，其中 0 为原音色输出

必填范围: -12 <= x <= 12

voice_setting.emotion

enum<string>

控制合成语音的情绪，参数范围 ["happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent", "whisper"]，分别对应 8 种情绪：高兴，悲伤，愤怒，害怕，厌恶，惊讶，中性，生动，低语

模型会根据输入文本自动匹配合适的情绪，一般无需手动指定
该参数仅对 speech-2.6-hd, speech-2.6-turbo, speech-02-hd, speech-02-turbo, speech-01-hd, speech-01-turbo 模型生效
选项 fluent, whisper 仅对 speech-2.6-turbo, speech-2.6-hd 模型生效

可用选项:

happy,

sad,

angry,

fearful,

disgusted,

surprised,

calm,

fluent,

whisper

voice_setting.text_normalization

boolean

default:false

是否启用中文、英语文本规范化，开启后可提升数字阅读场景的性能，但会略微增加延迟，默认值为 false

voice_setting.latex_read

boolean

default:false

控制是否朗读 latex 公式，默认为 false 需注意:

请求中的公式需要在公式的首尾加上 $$
请求中公式若有 "\"，需转义成 "\\".

示例：一元二次方程根的基本公式

应表示为 $$x = \\frac{-b \\pm \\sqrt{b^2 - 4ac}}{2a}$$

audio_setting

object

显示子属性

audio_setting.sample_rate

integer<int64>

生成音频的采样率。可选范围[8000，16000，22050，24000，32000，44100]，默认为 32000

audio_setting.bitrate

integer<int64>

生成音频的比特率。可选范围[32000，64000，128000，256000]，默认值为 128000。该参数仅对 mp3 格式的音频生效

audio_setting.format

enum<string>

default:mp3

生成音频的格式，wav 仅在非流式输出下支持

可用选项:

mp3,

pcm,

flac,

wav

audio_setting.channel

integer<int64>

生成音频的声道数。可选范围：[1,2]，其中 1 为单声道，2 为双声道，默认值为 1

audio_setting.force_cbr

boolean

default:false

对于音频恒定比特率（cbr）控制，可选 false、 true。当此参数设置为 true，将以恒定比特率方式进行音频编码。注意：本参数仅当音频设置为流式输出，且音频格式为 mp3 时生效。

pronunciation_dict

object

显示子属性

pronunciation_dict.tone

string[]

定义需要特殊标注的文字或符号对应的注音或发音替换规则。在中文文本中，声调用数字表示：一声为 1，二声为 2，三声为 3，四声为 4，轻声为 5 示例如下： ["燕少飞/(yan4)(shao3)(fei1)", "omg/oh my god"]

timber_weights

object[]

显示子属性

timber_weights.voice_id

string

required

合成音频的音色编号，须和weight参数同步填写。支持系统音色、复刻音色以及文生音色三种类型。系统支持的全部音色可查看系统音色列表，也可使用查询可用音色 API 查询系统支持的全部音色

timber_weights.weight

integer<int64>

required

合成音频各音色所占的权重，须与 voice_id 同步填写。可选值范围为[1, 100]，最多支持 4 种音色混合，单一音色取值占比越高，合成音色与该音色相似度越高.

"timbre_weights": [
  {
    "voice_id": "female-chengshu",
    "weight": 30
  },
  {
    "voice_id": "female-tianmei",
    "weight": 70
  }
]

必填范围: 1 <= x <= 100

language_boost

enum<string>

是否增强对指定的小语种和方言的识别能力。默认值为 null，可设置为 auto 让模型自主判断。

可用选项:

Chinese,

Chinese,Yue,

English,

Arabic,

Russian,

Spanish,

French,

Portuguese,

German,

Turkish,

Dutch,

Ukrainian,

Vietnamese,

Indonesian,

Japanese,

Italian,

Korean,

Thai,

Polish,

Romanian,

Greek,

Czech,

Finnish,

Hindi,

Bulgarian,

Danish,

Hebrew,

Malay,

Persian,

Slovak,

Swedish,

Croatian,

Filipino,

Hungarian,

Norwegian,

Slovenian,

Catalan,

Nynorsk,

Tamil,

Afrikaans,

auto

voice_modify

object

声音效果器设置，该参数支持的音频格式：

非流式：mp3, wav, flac
流式：mp3

显示子属性

voice_modify.pitch

integer

音高调整（低沉/明亮），范围 [-100,100]，数值接近 -100，声音更低沉；接近 100，声音更明亮

必填范围: -100 <= x <= 100

voice_modify.intensity

integer

强度调整（力量感/柔和），范围 [-100,100]，数值接近 -100，声音更刚劲；接近 100，声音更轻柔

必填范围: -100 <= x <= 100

voice_modify.timbre

integer

音色调整（磁性/清脆），范围 [-100,100]，数值接近 -100，声音更浑厚；数值接近 100，声音更清脆

必填范围: -100 <= x <= 100

voice_modify.sound_effects

enum<string>

音效设置，单次仅能选择一种，可选值：

spacious_echo（空旷回音）
auditorium_echo（礼堂广播）
lofi_telephone（电话失真）
robotic（电音）

可用选项:

spacious_echo,

auditorium_echo,

lofi_telephone,

robotic

subtitle_enable

boolean

default:false

控制是否开启字幕服务，默认值为 false。此参数仅在非流式输出场景下有效，且仅对 speech-2.6-hd speech-2.6-turbo speech-02-turbo speech-02-hd speech-01-turbo speech-01-hd 模型有效

output_format

enum<string>

default:hex

控制输出结果形式的参数，可选值范围为[url, hex]，默认值为 hex 。该参数仅在非流式场景生效，流式场景仅支持返回 hex 形式。返回的 url 有效期为 24 小时

可用选项:

url,

hex

aigc_watermark

boolean

default:false

控制在合成音频的末尾添加音频节奏标识，默认值为 False。该参数仅对非流式合成生效

Response

data

object

返回的合成数据对象，可能为 null，需进行非空判断

显示子属性

data.audio

string

合成后的音频数据，采用 hex 编码，格式与请求中指定的输出格式一致

data.subtitle_file

string

合成的字幕下载链接。音频文件对应的字幕，精确到句（不超过 50 字），单位为毫秒，格式为 json

data.status

integer

当前音频流状态：1 表示合成中，2 表示合成结束

trace_id

string

本次会话的 id，用于在咨询/反馈时帮助定位问题

extra_info

object

音频的附加信息

显示子属性

extra_info.audio_length

integer<int64>

音频时长（毫秒）

extra_info.audio_sample_rate

integer<int64>

音频采样率

extra_info.audio_size

integer<int64>

音频文件大小（字节）

extra_info.bitrate

integer<int64>

音频比特率

extra_info.audio_format

enum<string>

生成音频文件的格式。取值范围 [mp3, pcm, flac]

可用选项:

mp3,

pcm,

flac

extra_info.audio_channel

integer<int64>

生成音频声道数,1：单声道，2：双声道

extra_info.invisible_character_ratio

number<float64>

非法字符占比.非法字符不超过 10%（包含 10%），音频会正常生成,并返回非法字符占比数据；如超过 10% 将进行报错

extra_info.usage_characters

integer<int64>

计费字符数

extra_info.word_count

integer<int64>

已发音的字数统计，包含汉字、数字、字母，不包含标点符号

base_resp

object

本次请求的状态码和详情

显示子属性

base_resp.status_code

integer<int64>

状态码。

您可在header中获取本次会话的trace_id，用于在咨询/反馈时帮助定位问题

0: 请求结果正常
1000: 未知错误
1001: 超时
1002: 触发限流
1004: 鉴权失败
1039: 触发 TPM 限流
1042: 非法字符超过 10%
2013: 输入参数信息不正常

更多内容可查看错误码查询列表了解详情

base_resp.status_msg

string

状态详情

文本

语音

视频

图片

音乐

文件

错误码查询

Authorizations

Headers

Body

Response