创建语音合成

使用本接口将文本合成为语音。接口格式与 OpenAI audio/speech 协议兼容。

请求地址

方法	地址
`POST`	`https://api.ant-ling.com/v1/audio/speech`

授权

Authorization

类型：HTTP Bearer Auth，值类型 string
必填
说明：用于验证账户信息。前往 API 控制台，点击创建令牌获取。


Authorization: Bearer <YOUR_API_KEY>

请求头

Content-Type

类型：enum<string>
必填，固定值 application/json
说明：请求体的媒体类型，必须为 application/json。

请求体

概览

参数	类型	必填	默认值	说明
`model`	`string`	是	—	TTS 模型 ID
`input`	`string`	是	—	要合成语音的文本内容
`voice`	`string`	否	—	生成语音时使用的音色
`references`	`object[]`	否	—	声音克隆 / 声音设计的参考音频
`instructions`	`string`	否	—	语音控制指令
`response_format`	`string`	否	流式 `pcm`，同步 `wav`	输出音频的格式
`sample_rate`	`number`	否	`22050`	输出音频的采样率，单位为 Hz
`speed`	`number`	否	`1.0`	生成语音的速度
`volume`	`number`	否	`1.0`	生成语音的音量
`pitch`	`number`	否	`1.0`	生成语音的音调
`stream_format`	`string`	否	不开启流式	音频数据的流式返回方式

model

类型：string
必填
说明：要使用的 TTS 模型。
可选值：Ming-3.0-tts

input

类型：string
必填
说明：要合成语音的文本内容。最大长度 2048 字符。不能为 null 或空字符串。

voice

类型：string
选填
说明：生成语音时使用的音色，支持系统音色。如需使用自定义音色，请改用 references 参数。

references

类型：object[]
选填
说明：用于无状态声音克隆或声音设计的参考音频列表，作为生成语音时使用的自定义音色。当前模型最多支持 1 条，每条最长 30 秒、不超过 10 MB，支持格式：WAV。

references[].audio

类型：string
必填
说明：语音样本的音频 Base64 编码数据。为获得最佳效果，请使用 10–30 秒清晰、背景噪声尽可能少的语音。支持格式：WAV。

将音频文件转换为 Base64 编码字符串后传入，转换后的 Base64 编码字符串大小不能超过 10 MB。请在 Base64 编码前携带前缀：data:{MIME_TYPE};base64,$BASE64_AUDIO：

{MIME_TYPE} — 音频的 MIME 类型（媒体类型），用于标识音频格式，需替换为实际音频对应的 MIME 值，例如 audio/wav。
$BASE64_AUDIO — 音频文件的纯 Base64 编码字符串（不含任何前缀）。

references[].text

类型：string
必填
说明：音频样本中所说内容的逐字转录文本。音频与该文本的准确性对声音克隆质量非常重要。

instructions

类型：string
选填
说明：生成语音时的语音控制指令。通过音色风格描述，使用所设计的音色进行语音播报。

response_format

类型：string
选填，流式默认 pcm，同步默认 wav
说明：输出音频的格式。
可选值：mp3、wav、pcm、opus、aac

sample_rate

类型：number
选填，默认 22050 Hz
说明：输出音频的采样率，单位为 Hz。
可选值：8000、16000、22050、24000

speed

类型：number
选填，默认 1.0
说明：生成语音的速度。范围 [0.25, 4.0]。

volume

类型：number
选填，默认 1.0
说明：生成语音的音量。范围 [0.5, 2.0]。

pitch

类型：number
选填，默认 1.0
说明：生成语音的音调。范围 [0.5, 2.0]。

stream_format

类型：string
选填
说明：开启流式返回音频数据，适用于低延迟、边生成边播放的场景。
可选值：

值	说明
`sse`	以 Server-Sent Events 格式流式返回，音频数据经 Base64 编码后通过 SSE 事件推送
`audio`	以 chunked transfer encoding 直接流式返回原始音频二进制数据

Ming-3.0-tts 目前仅支持 sse，不支持 audio。

sse 模式适合浏览器端通过 EventSource 接收，有明确的事件边界和结束信号；audio 模式适合服务端或原生客户端直接消费音频流，开销更低。

响应体

非流式

响应类型为 file — 音频二进制内容。HTTP 响应的 Content-Type 根据 response_format 参数变化：

response_format	Content-Type
`mp3`	`audio/mpeg`
`opus`	`audio/opus`
`aac`	`audio/aac`
`wav`	`audio/wav`
`pcm`	`audio/pcm`

SSE 流

Content-Type：text/event-stream
说明：Server-Sent Events 流。每帧为 data: <json>\n\n，JSON 内容遵循 TTS Event 结构。

speech.audio.delta

类型：object
说明：增量音频片段事件。


data: {"type": "speech.audio.delta", "audio": "//uQxAAAAAANIAAAAAExBTUUzLjEw..."}

字段：
- type — 固定值 speech.audio.delta。
- audio — 一段 Base64 编码的音频数据片段。

speech.audio.done

类型：object
说明：音频合成完成的终止事件。


data: {"type": "speech.audio.done", "usage": {"prompt_tokens": 12, "completion_tokens": 80, "total_tokens": 92}}

字段：
- type — 固定值 speech.audio.done。
- usage — Token 用量统计：prompt_tokens（输入）、completion_tokens（输出）、total_tokens（总用量）。

音频二进制流

Content-Type：与 response_format 对应（见上表）
说明：响应为原始音频二进制流，通过 HTTP chunked transfer encoding 流式返回。

示例

请求示例

系统音色

cURL


curl --request POST \
  --url https://api.ant-ling.com/v1/audio/speech \
  --header 'Authorization: Bearer <YOUR_API_KEY>' \
  --header 'Content-Type: application/json' \
  --data '{
  "model": "Ming-3.0-tts",
  "input": "你好，你是谁？",
  "voice": "UK_Charlotte",
  "response_format": "pcm",
  "stream_format": "sse"
}'

Python


from openai import OpenAI
 
client = OpenAI(
    base_url="https://api.ant-ling.com/v1",
    api_key="<YOUR_API_KEY>"
)
 
speech = client.audio.speech.create(
    model="Ming-3.0-tts",
    input="你好，你是谁？",
    voice="UK_Charlotte",
    response_format="pcm",
    extra_body={"stream_format": "sse"}
)
 
speech.stream_to_file("/path/to/output.pcm")

Node.js


import OpenAI from 'openai';
import fs from 'fs';
 
const client = new OpenAI({
  baseURL: 'https://api.ant-ling.com/v1',
  apiKey: '<YOUR_API_KEY>',
});
 
const response = await client.audio.speech.create({
  model: 'Ming-3.0-tts',
  input: '你好，你是谁？',
  voice: 'UK_Charlotte',
  response_format: 'pcm',
  stream_format: 'sse',
});
 
response.body.pipe(fs.createWriteStream('/path/to/output.pcm'));

响应示例

非流式响应

stream_format 不设置时，默认不开启流式，返回对应格式的音频文件二进制内容。


HTTP/1.1 200 OK
Content-Type: audio/wav

<音频二进制数据>

SSE 流式响应

stream_format 设置为 sse 时，通过 SSE 事件逐步推送音频数据，响应 Content-Type 为 text/event-stream。每帧为 data: <json>\n\n，JSON 内容遵循 TTS Event 结构。

事件类型：

speech.audio.delta：包含一段 Base64 编码的音频数据片段，字段名为 audio。


data: {"type": "speech.audio.delta", "audio": "//uQxAAAAAANIAAAAAExBTUUzLjEw..."}

speech.audio.done：音频合成完成（终止事件），包含 usage 统计信息。


data: {"type": "speech.audio.done", "usage": {"prompt_tokens": 12, "completion_tokens": 80, "total_tokens": 92}}

完整 SSE 流示例：


data: {"type": "speech.audio.delta", "audio": "//uQxAAAAAANIAAAAAExBTUUzLjEw..."}

data: {"type": "speech.audio.delta", "audio": "VVVVVVVVVVVVVVVVVVVVVVVVVVVV..."}

...

data: {"type": "speech.audio.done", "usage": {"prompt_tokens": 12, "completion_tokens": 80, "total_tokens": 92}}

音频二进制流响应

stream_format 设置为 audio 时，返回原始音频二进制流。响应 Content-Type 与 response_format 对应，通过 HTTP chunked transfer encoding 直接流式返回原始音频二进制数据。客户端按 chunk 逐段接收音频二进制流，可直接写入播放器或文件，无需 Base64 解码。数据流结束时连接关闭。


HTTP/1.1 200 OK
Content-Type: audio/mpeg
Transfer-Encoding: chunked

<音频二进制数据 chunk 1>
<音频二进制数据 chunk 2>
...

这个页面对你有帮助吗?