主题切换
语音合成
一段文本加一个音色 ID,直接拿回音频文件。接口沿用 OpenAI 的语音接口风格, 已有的 SDK 或客户端只要改 Base URL 就能调用。
接口一览
| 接口 | 方法与路径 | 说明 |
|---|---|---|
| 语音合成 | POST /v1/audio/speech | 同步返回音频二进制,直接写文件即可 |
基地址 https://api.jcaigc.cn/v1,请求头带 Authorization: Bearer <密钥>(也接受 x-api-key),密钥是控制台里的 apiKey。
支持的模型
合成有两家上游,模型选哪家,音色就得跟着那家走:
| 上游 | 模型 | 单价 | 说明 |
|---|---|---|---|
| 阿里云百炼 | qwen3-tts-flash | 0.8 元/万字符 | 千问系列,音色自然、响应快,不支持语速参数 |
| 阿里云百炼 | cosyvoice-v3.5-plus | 1.5 元/万字符 | 音质最细腻的一档,支持语速调节;没有系统音色,需先复刻/设计 |
| 阿里云百炼 | cosyvoice-v3.5-flash | 0.8 元/万字符 | 同代轻量档,单价不到 Plus 的六成;同样没有系统音色 |
| 火山引擎(豆包语音) | seed-tts-2.0 | 2.8 元/万字符 | 豆包语音 2.0 合成,音色是 *_uranus_bigtts 一系 |
| 火山引擎(豆包语音) | seed-icl-2.0 | 2.8 元/万字符 | 用豆包复刻出的专属音色合成(音色 ID 形如 S_…) |
千问用千问的音色,豆包用豆包的音色
音色与模型必须配套,尤其千问和豆包不能交叉使用:
- 千问
qwen3-tts-flash:只能用千问的内置音色——48 条(如Cherry/Serena/Ethan/Chelsie)。 它不支持声音复刻;填豆包的*_uranus_bigtts会被网关直接拒绝,填 CosyVoice 的long*等音色上游也不认。 - 豆包
seed-tts-2.0/seed-icl-2.0:只能用豆包音色(ID 以_uranus_bigtts结尾,复刻音色形如S_…)。 填千问的Cherry等,豆包回的是 HTTP 200 + 一段空音频(界面上看着像「合成成功但没声音」),比报错更难发现。 - CosyVoice 3.5:没有系统音色,只能用复刻/设计音色(见下一段)。
全部音色 ID 见音色库。
CosyVoice 3.5 没有系统音色
cosyvoice-v3.5-plus / cosyvoice-v3.5-flash 不提供预置音色。longanyang、longanhuan 属于上一代 cosyvoice-v3-plus,填给 3.5 会被上游以 **418「不支持的发音人」**拒绝。
3.5 只能使用声音复刻/声音设计创建的专属音色(ID 形如 cosyvoice-v3.5-plus-…)。 通过声音复刻的 POST /v1/audio/voices 上传参考音频创建, 或改用 qwen3-tts-flash 的内置音色(如 Cherry / Serena / Ethan / Chelsie,共 48 条)。 音色复刻按次计费:阿里云 9.9 元/个,豆包语音 138 元/个。
请求参数
请求体是 JSON:
| 参数 | 必填 | 说明 |
|---|---|---|
model | 是 | 合成模型,取值见上表 |
input | 是 | 要合成的文本 |
voice | 是 | 音色 ID(不是中文名),如 Cherry、zh_female_vv_uranus_bigtts;CosyVoice 3.5 需填复刻/设计音色 ID |
response_format | 否 | mp3(默认)、wav、pcm 或 opus |
speed | 否 | 语速倍率,0.5 ~ 2.0,默认 1.0 |
- 格式:两家上游都只有上表这四档,
aac/flac会被明确拒绝(上游没有对应编码)。 - 语速:超出
0.5~2.0会被夹到边界而不报错,需要精确倍速请在区间内取值。qwen3-tts-flash没有语速参数,给它传speed会被忽略(不报错,但也不生效)。 - 采样率:两家都向上游要 24 kHz、单声道。豆包的
wav由网关补 RIFF 头 (它的流式接口原生传 wav 会分片返回多个头,直接拼起来是坏文件)。
长文本请分段
单次合成的文本长度由上游模型限制,过长会被上游拒绝。长文按句子分段合成、再拼接音频更稳。
请求示例
bash
curl -X POST https://api.jcaigc.cn/v1/audio/speech \
-H "Authorization: Bearer 123e4567-e89b-12d3-a456-426614174000" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-tts-flash",
"input": "欢迎使用简创 AIGC 的语音合成能力。",
"voice": "Cherry",
"response_format": "mp3"
}' \
--output welcome.mp3示例代码
Python(OpenAI SDK)
接口与 OpenAI 的 /v1/audio/speech 同形,装上官方 SDK 改个 base_url 就能用:
python
from openai import OpenAI
client = OpenAI(
api_key="123e4567-e89b-12d3-a456-426614174000",
base_url="https://api.jcaigc.cn/v1",
)
# 豆包语音 2.0:音色取 *uranus_bigtts 一系(见 /voice/voices)
resp = client.audio.speech.create(
model="seed-tts-2.0",
voice="zh_female_vv_uranus_bigtts",
input="欢迎使用简创 AIGC 的语音合成能力。",
response_format="mp3",
)
resp.write_to_file("welcome.mp3")Python(不装 SDK,requests 直连)
python
import requests
resp = requests.post(
"https://api.jcaigc.cn/v1/audio/speech",
headers={"Authorization": "Bearer 123e4567-e89b-12d3-a456-426614174000"},
json={
"model": "qwen3-tts-flash",
"voice": "Cherry",
"input": "欢迎使用简创 AIGC 的语音合成能力。",
"response_format": "mp3",
},
timeout=120,
)
resp.raise_for_status()
with open("welcome.mp3", "wb") as f:
f.write(resp.content)Node.js(原生 fetch,无依赖)
javascript
import { writeFile } from 'node:fs/promises'
const resp = await fetch('https://api.jcaigc.cn/v1/audio/speech', {
method: 'POST',
headers: {
Authorization: 'Bearer 123e4567-e89b-12d3-a456-426614174000',
'Content-Type': 'application/json',
},
body: JSON.stringify({
model: 'seed-tts-2.0',
voice: 'zh_female_vv_uranus_bigtts',
input: '欢迎使用简创 AIGC 的语音合成能力。',
response_format: 'mp3',
}),
})
if (!resp.ok) {
// 失败时返回 JSON 错误体,见下方「响应」
throw new Error(`合成失败:${resp.status} ${await resp.text()}`)
}
await writeFile('welcome.mp3', Buffer.from(await resp.arrayBuffer()))响应
响应体是音频二进制,Content-Type 随 response_format 变化(audio/mpeg、audio/wav 等), 上面示例用 --output 或写文件直接落盘。
失败时返回 JSON 错误体,结构与其它网关接口一致:
json
{
"error": {
"message": "音色不存在或与模型不匹配",
"type": "invalid_request_error",
"code": "invalid_request"
}
}音色的来源
| 来源 | 怎么用 |
|---|---|
| 音色库 | 豆包语音 40 条预设音色可直接填进 voice;CosyVoice 3.5 没有系统音色,不能直接选 |
| 声音复刻 | 通过 POST /v1/audio/voices 上传参考音频创建,返回的 voice_id 形如 cosyvoice-v3.5-plus-…;每个账号只能使用自己创建的音色。复刻时用哪个模型,合成时必须用同一个。豆包语音的复刻音色不通过开放 API 创建,拿到音色 ID 后用 seed-icl-2.0 合成 |
CosyVoice 3.5 的复刻音色 ID 以 cosyvoice-v3.5-plus- 或 cosyvoice-v3.5-flash- 开头, 这两档的音色不能混用:用 -plus 创建的音色只能配 cosyvoice-v3.5-plus 合成。
计费说明
合成按要朗读的文本字符数扣费,与上游按元/万字符的报价口径一致(单价标在模型表里):
| 模型 | 计价量 | 单价 |
|---|---|---|
qwen3-tts-flash、cosyvoice-v3.5-flash | 要朗读的字符数 | 0.8 元/万字符 |
cosyvoice-v3.5-plus | 要朗读的字符数 | 1.5 元/万字符 |
seed-tts-2.0、seed-icl-2.0 | 要朗读的字符数 | 2.8 元/万字符 |
- 字符数按实际发出去的文本算,首尾空白不计;中英文都按字符数(一个字母算一个字符)。
- 训练、查询复刻音色不合成音频,不产生合成费用。
- 失败请求不计费。与语音概览是同一套口径。
