minimax-speech 本文介绍minimax语音合成模型 hd 系列调用 API 的输入输出参数，供您使用接口时查阅字段含义。 同步合成 接口 https://api.modelverse.cn/v1/t2a_v2 输入 参数 类型 是否必选 描述 model string 是 请求的模型版本，可选范围： speech-2.8-hd speech-2.6-hd speech-02-hd speech-2.8-turbo speech-2.6-turbo speech-02-turbo text string 是 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 •语气词标签：仅当模型选择 speech-2.8-hd,speech-2.8-turbo时，支持在文本中插入语气词标签。支持的语气词：(laughs)（笑声）、(chuckle)（轻笑）、(coughs)（咳嗽）、(clear-throat)（清嗓子）、(groans)（呻吟）、(breath)（正常换气）、(pant)（喘气）、(inhale)（吸气）、(exhale)（呼气）、(gasps)（倒吸气）、(sniffs)（吸鼻子）、(sighs)（叹气）、(snorts)（喷鼻息）、(burps)（打嗝）、(lip-smacking)（咂嘴）、(humming)（哼唱）、(hissing)（嘶嘶声）、(emm)（嗯）、(sneezes)（喷嚏） stream boolean 否 控制是否流式输出。默认 false，即不开启流式 stream_options object 否 stream输出控制 stream_options. exclude_aggregated_audio boolean 否 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 否 声音设置 voice_setting.voice_id string 否 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，音色ID可查看系统音色列表 voice_setting.speed float 否 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 voice_setting.vol float 否 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 voice_setting.pitch int 否 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 voice_setting.emotion enum<string> 否 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 选项 fluent, whisper 仅对 speech-2.6-hd,speech-2.6-turbo 模型生效，speech-2.8-hd,speech-2.8-turbo 模型不支持 whisper voice_setting.text_normalization boolean 否 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 否 控制是否朗读 latex 公式，默认为 false •仅支持中文，开启该参数后，language_boost 参数会被设置为 Chinese •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 "\\". audio_setting object 否 音频设置 audio_setting.sample_rate int 否 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 int 否 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> 否 生成音频的格式，默认值:mp3。 •wav 仅在非流式输出下支持。 •可用选项: mp3, pcm, flac, wav audio_setting.channel int 否 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 否 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 否 声调 pronunciation_dict.tone string[] 否 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[] 否 音色比重 timber_weights.voice_id string 是 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 timber_weights.weight int 是 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. language_boost enum<string> 否 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 否 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 voice_modify.pitch int 否 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 voice_modify.intensity int 否 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 voice_modify.timbre int 否 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 voice_modify.sound_effects enum<string> 否 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） subtitle_enable boolean 否 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 output_format enum<string> 否 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 aigc_watermark bool 否 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 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 --location --globoff 'https://api.modelverse.cn/v1/t2a_v2' \ --header 'Authorization: Bearer <YOUR_API_KEY>' \ --header 'Content-Type: application/json' \ --data '{ "model": "speech-2.8-hd", "text": "今天是不是很开心呀(laughs)，当然了！", "stream": false, "voice_setting": { "voice_id": "male-qn-qingse", "speed": 1, "vol": 1, "pitch": 0, "emotion": "happy" }, "audio_setting": { "sample_rate": 32000, "bitrate": 128000, "format": "mp3", "channel": 1 }, "pronunciation_dict": { "tone": [ "处理/(chu3)(li3)", "危险/dangerous" ] }, "subtitle_enable": false }' 输出 参数 类型 描述 data object 返回的合成数据对象，可能为 null，需进行非空判断 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 int 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 extra_info.audio_length int 音频时长（毫秒） extra_info.audio_sample_rate int 音频采样率 extra_info.audio_size int 音频文件大小（字节） extra_info.bitrate int 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] extra_info.audio_channel int 生成音频声道数,1：单声道，2：双声道 extra_info.invisible_character_ratio number 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 int 计费字符数 extra_info.word_count int 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 base_resp.status_code int 状态码。 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 base_resp.status_msg string 状态详情 响应示例 { "data": { "audio": "<hex编码的audio>", "status": 2 }, "extra_info": { "audio_length": 9900, "audio_sample_rate": 32000, "audio_size": 160323, "bitrate": 128000, "word_count": 52, "invisible_character_ratio": 0, "usage_characters": 26, "audio_format": "mp3", "audio_channel": 1 }, "trace_id": "01b8bf9bb7433cc75c18eee6cfa8fe21", "base_resp": { "status_code": 0, "status_msg": "success" } }
