IndexTeam/IndexTTS-2文档 本文介绍modelverse语音合成模型IndexTeam/IndexTTS-2调用 API 的输入输出参数，供您使用接口时查阅字段含义。 接口地址 https://api.modelverse.cn/v1/audio/infer 注意：该接口请求体格式必须为 multipart/form-data（表单模式） 请求参数：表单文件参数（Form Data） 参数 类型 必填 说明 model string 是 要使用的 TTS 模型名称，此处为：IndexTeam/IndexTTS-2 spk_audio_file 文件（二进制） 是 说话人参考音频文件，用于提取音色特征，仅支持 MP3、WAV，文件小于20MB emo_audio_file 文件（二进制） 否 情感参考音频文件，用于提取语音的情感特征，仅支持 MP3、WAV，文件小于20MB payload string 是 JSON 格式的配置参数字符串 payload 配置参数（JSON 格式） 参数 类型 必填 默认值 说明 input string 是 - 需要合成的文本内容，最大支持 600 字符。 sample_rate int 否 22050 输出音频采样率，单位为 Hz。常见值：22050、44100、48000。 speed float 否 1 语速调整系数，接口限制范围：0.25 <= 值 <= 4.0。 gain float 否 1 音量调整系数，1 为原始音量，>1 表示增大，<1 表示减小。 emo_control_method int 否 0 情感控制方式：0 = 无情感参考；1 = 情感音频参考（需同时传 emo_audio_file）；2 = 情感向量参考；3 = 情感文本参考。 emo_alpha float 否 1 情感融合权重，用于控制情感特征对输出结果的影响程度。 emo_vec array[float] 否 [0, 0, 0, 0, 0, 0, 0, 0] 8 维情感向量，仅在 emo_control_method = 2 时生效；所有元素之和不能超过 1.5。示例：[0.1, 0.2, 0.0, 0.3, 0.1, 0.0, 0.2, 0.4]。 emo_text string 否 "" 情感文本描述，仅在 emo_control_method = 3 时生效。示例："今天股票涨停了，好激动"。 use_random bool 否 false 情感随机性开关。true 表示随机引入情感变化，false 表示严格按指定情感合成。 interval_silence int 否 200 文本分块合成时间隔静音时长，单位为毫秒。 请求示例 ⚠️ 如果您使用 Windows 系统，建议使用 Postman 或其他 API 调用工具。 curl https://api.modelverse.cn/v1/audio/infer \ -H "Authorization: Bearer $MODELVERSE_API_KEY" \ -H "Content-Type: multipart/form-data" \ -F "model=IndexTeam/IndexTTS-2" \ -F "spk_audio_file=@audio/klee.wav" \ -F "emo_audio_file=@audio/emo_sad.wav" \ -F "payload={ \"input\": \"酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。\", \"emo_weight\": 0.8, \"emo_control_method\": 1 }" \ --output 007_sad_08.wav 响应格式 API 返回二进制音频文件流。 音频格式：目前仅支持 WAV 格式输出 Content-Type：audio/wav 错误响应 当请求失败时，API 会返回标准的 JSON 格式错误响应： { "error": { "message": "错误描述信息", "type": "invalid_request_error", "code": "error_code", "param": "<请求 ID，用于反馈或排查错误原因>" } } 同时兼容以下接口 接口地址：https://api.modelverse.cn/v1/audio/speech 请求参数 参数 类型 必填 说明 model string 是 要使用的 TTS 模型名称，例如：IndexTeam/IndexTTS-2 input string 是 要转换为语音的文本内容（最大支持 600 字符） voice string 是 使用的音色，可选值包括：内置音色（jack_cheng, sales_voice, crystla_liu, stephen_chow, xiaoyueyue, mkas, entertain, novel, movie），也可以填写自定义音色 ID（形如 uspeech:xxxx，详见下文「使用自定义音色」） 调用示例 以下示例展示如何使用 IndexTeam/IndexTTS-2 模型进行语音合成。请确保将 $MODELVERSE_API_KEY 替换为您自己的 API Key。 curl curl https://api.modelverse.cn/v1/audio/speech \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $MODELVERSE_API_KEY" \ -d '{ "model": "IndexTeam/IndexTTS-2", "input": "你好！欢迎使用 Modelverse 语音合成服务。", "voice": "jack_cheng" }' \ --output speech.wav python from pathlib import Path from openai import OpenAI client = OpenAI( api_key=os.getenv("MODELVERSE_API_KEY", "<YOUR_MODELVERSE_API_KEY>"), base_url="https://api.modelverse.cn/v1/", ) speech_file_path = Path(__file__).parent / "generated-speech.wav" with client.audio.speech.with_streaming_response.create( model="IndexTeam/IndexTTS-2", voice="jack_cheng", input="你好！欢迎使用 Modelverse 语音合成服务。", ) as response: response.stream_to_file(speech_file_path) print(f"Audio saved to {speech_file_path}") 使用自定义音色（可选） 除了使用内置的 voice 名称外，您还可以上传自己的音色（甚至带有特定情绪的样例语音），生成一个专属的 voice_id，在 TTS 请求中通过 voice 字段进行引用。 注意：当前自定义音色资源会在上传 7 天 后自动清理，如需长期使用请注意提前备份或重新上传。（可联系商务团队咨询长期保存需求） 使用方式可以简单理解为 三步： 上传音色，获取 voice_id 调用 POST /v1/audio/voice/upload 上传一段符合要求的示例语音，接口会返回一个 id 作为自定义音色 ID。 详细的请求参数与返回结构请参考《自定义音色管理 API 文档》。 在 TTS 请求中使用 voice_id 在 /v1/audio/speech 请求中，把 voice 字段设置为步骤一返回的 id，下文会给出完整示例。 管理已有的自定义音色（可选） 如需查看或删除已有音色，可调用 GET /v1/audio/voice/list 和 POST /v1/audio/voice/delete。 具体请求/返回格式同样见《自定义音色管理 API 文档》。 提示：自定义音色完全兼容 OpenAI 协议，只是复用了 voice 这个字段，不需要学习新的参数名。 在 TTS 请求中使用自定义 voice_id 当您已经拿到一个自定义音色 id（例如 uspeech:xxxx）后，只需要在 /v1/audio/speech 请求中把 voice 字段改成该 id 即可。 VOICE_ID="uspeech:xxxx-xxxx-xxxx-xxxx" curl https://api.modelverse.cn/v1/audio/speech \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $MODELVERSE_API_KEY" \ -d "{ \"model\": \"IndexTeam/IndexTTS-2\",\ \"input\": \"你好，我是自定义的温柔女声。\",\ \"voice\": \"$VOICE_ID\"\ }" \ --output speech-custom.wav 行为说明： voice 为空：使用默认音色或模型自带的默认配置。 voice 为内置名称（如 jack_cheng 等）：使用平台内置的预置音色。 voice 为形如 uspeech:xxxx 的值：表示使用你上传的自定义音色，平台会根据该 ID 查找并应用对应的音色/情绪素材，无需额外配置。 响应格式 API 返回二进制音频文件流。 音频格式：目前仅支持 WAV 格式输出 Content-Type：audio/wav 注意事项 音频格式：响应的二进制流格式目前仅支持 WAV，暂不支持其他音频格式 文本长度限制：单次请求的文本长度限制因具体模型而异，IndexTeam/IndexTTS-2 模型通常支持 600 字符以内的文本 语音类型：不同的 voice 参数会产生不同音色和风格的语音效果，建议根据实际场景选择合适的语音类型 错误处理 当请求失败时，API 会返回标准的 JSON 格式错误响应： { "error": { "message": "错误描述信息", "type": "invalid_request_error", "code": "error_code", "param": "<请求 ID，用于反馈或排查错误原因>" } } 常见问题（FAQ） Q：我上传的音频有什么要求？ A：必须是 MP3/WAV，单个文件 ≤ 20MB，时长 5–30 秒，采样率至少 16kHz，不符合要求会返回 4xx 错误，并在 error.code 中标明原因。 Q：voice 字段应该填什么？ A： 想直接用平台提供的固定音色：填写内置名称（如 jack_cheng）； 想用自己录制的音色：先调用上传接口拿到 id，然后在 TTS 请求中把 voice 设置为这个 id（例如 uspeech:xxxx）。 Q：出现 invalid_voice_id / voice_not_found 等错误怎么办？ A：说明当前账号下找不到这个 voice_id，或者已被删除。可以先调用 /v1/audio/voice/list 确认当前可用的 ID，再在请求里使用正确的值。 Q：不同账号之间能共享自定义音色吗？ A：同一组织下所有子账号，自定义音色可以共享。非同一账号下，无法共享。
