Skip to content

语音合成 ​

← 返回语音

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-flash0.8 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-plus1.5 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-flash0.8 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-2.02.8 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-2.02.8 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。

相关模块 ​

  • 音色库 — 豆包语音 40 条预设音色;CosyVoice 3.5 无系统音色
  • 声音复刻 — 创建自己的专属音色,仅本账号可用
  • 数字人 — 用合成音频生成口型同步视频