跳转到主要内容
POST
https://api.jiekou.ai
/
v4beta
/
txt2speech
Fish Audio 语音合成
curl --request POST \
  --url https://api.jiekou.ai/v4beta/txt2speech \
  --header 'Authorization: <authorization>' \
  --header 'Content-Type: <content-type>' \
  --data '
{
  "text": "<string>",
  "temperature": 123,
  "top_p": 123,
  "references": {
    "text": "<string>"
  },
  "reference_id": {},
  "prosody": {
    "speed": 123,
    "volume": 123
  },
  "chunk_length": 123,
  "normalize": true,
  "format": {},
  "sample_rate": {},
  "mp3_bitrate": {},
  "opus_bitrate": {},
  "latency": {}
}
'
为了获得最佳效果，建议在使用此 API 之前，先使用音频复刻上传参考音频。这将提高语音质量并降低延迟。
Fish Audio 将文本转换为语音。 支持的音频格式：
  • WAV / PCM
    • 采样率：8kHz, 16kHz, 24kHz, 32kHz, 44.1kHz
    • 默认采样率：44.1kHz
    • 16-bit，单声道
  • MP3
    • 采样率：32kHz, 44.1kHz
    • 默认采样率：44.1kHz
    • 单声道
    • 比特率：64kbps, 128kbps (默认), 192kbps
  • Opus
    • 采样率：48kHz
    • 默认采样率：48kHz
    • 单声道
    • 比特率：-1000 (自动), 24kbps, 32kbps (默认), 48kbps, 64kbps

​
请求头

​
Content-Type
string
必填
枚举值: application/json
​
Authorization
string
必填
Bearer 身份验证格式: Bearer {{API 密钥}}。

​
请求体

​
text
string
必填
要转换为语音的文本。
​
temperature
number
控制语音生成的随机性。较高的值（例如 1.0）使输出更随机，较低的值（例如 0.1）使其更确定。我们建议 s1 模型使用 0.9。必需范围：0 <= x <= 1
​
top_p
number
通过核采样控制多样性。较低的值（例如 0.1）使输出更集中，较高的值（例如 1.0）允许更多样性。我们建议 s1 模型使用 0.9。必需范围：0 <= x <= 1
​
references
ReferenceAudio · object[] | null
用于语音的参考音频，这需要 MessagePack 序列化，这将覆盖 reference_voices 和 reference_texts。
​
reference_id
string | null
用于语音的参考模型 ID。
​
prosody
ProsodyControl · object
用于语音的韵律控制。
​
chunk_length
integer
默认值:200
用于语音的分块长度。必需范围：100 <= x <= 300
​
normalize
boolean
默认值:true
是否规范化语音，这将降低延迟，但可能会降低对数字和日期的处理性能。
​
format
enum<string>
默认值:"mp3"
用于语音的格式。可选值：wav, pcm, mp3, opus
​
sample_rate
integer | null
用于语音的采样率。
​
mp3_bitrate
enum<integer>
默认值:128
用于语音的 MP3 比特率。可选值：64, 128, 192
​
opus_bitrate
enum<integer>
默认值:32
用于语音的 Opus 比特率。可选值：-1000, 24, 32, 48, 64
​
latency
enum<string>
默认值:"normal"
用于语音的延迟设置，balanced 将降低延迟但可能导致性能下降。可选值：normal, balanced

​
响应

API 将直接返回由 format 参数指定格式的音频流（默认：mp3）。