Esta API admite generación síncrona de texto a voz, con un máximo de 10000 caracteres por transmisión de texto. Admite más de 100 voces del sistema y selección autónoma de voces clonadas; permite ajustar volumen, tono, velocidad y formato de salida; admite mezcla de timbres por proporción y control de intervalos fijos; admite diversas especificaciones y formatos de audio, incluidos: mp3, pcm, flac, wav, y admite salida en streaming.Después de enviar una solicitud de síntesis de voz de texto largo, ten en cuenta que la URL devuelta tiene una validez de 24 horas desde el momento en que se devuelve la URL. Presta atención al tiempo disponible para descargar la información.
Aplicable a escenarios como generación de frases cortas, chat de voz y socialización en línea. Tiene baja latencia, pero el límite de longitud del texto es inferior a 10000 caracteres. Para textos largos, se recomienda usar llamada asíncrona de síntesis de voz.
Texto que se va a sintetizar, con un límite de longitud inferior a 10000 caracteres. Los cambios de párrafo se sustituyen por saltos de línea. (Si necesitas controlar el intervalo de tiempo dentro de la voz, añade <#x#> entre caracteres; la unidad de x es segundos, admite 0.01-99.99, con un máximo de dos decimales). Admite intervalos de tiempo de voz personalizados entre textos para lograr el efecto de pausas de voz personalizadas. Ten en cuenta que el intervalo de tiempo entre textos debe configurarse entre dos textos que puedan pronunciarse, y no se pueden configurar varios intervalos de tiempo consecutivos.
ID de la voz solicitada. Es “obligatorio” elegir uno entre este parámetro y timbre_weights.Admite dos tipos: voces del sistema (id) y voces clonadas (id). Las voces del sistema (ID) son las siguientes:
Voz de joven tímido: male-qn-qingse
Voz de joven profesional: male-qn-jingying
Voz de joven dominante: male-qn-badao
Voz de estudiante universitario joven: male-qn-daxuesheng
Voz de chica joven: female-shaonv
Voz de mujer madura y elegante: female-yujie
Voz de mujer madura: female-chengshu
Voz de mujer dulce: female-tianmei
Presentador masculino: presenter_male
Presentadora femenina: presenter_female
Audiolibro masculino 1: audiobook_male_1
Audiolibro masculino 2: audiobook_male_2
Audiolibro femenino 1: audiobook_female_1
Audiolibro femenino 2: audiobook_female_2
Voz de joven tímido-beta: male-qn-qingse-jingpin
Voz de joven profesional-beta: male-qn-jingying-jingpin
Voz de joven dominante-beta: male-qn-badao-jingpin
Voz de estudiante universitario joven-beta: male-qn-daxuesheng-jingpin
Voz de chica joven-beta: female-shaonv-jingpin
Voz de mujer madura y elegante-beta: female-yujie-jingpin
Controla la emoción de la voz sintetizada.Actualmente se admiten 7 emociones: felicidad, tristeza, enfado, miedo, asco, sorpresa y neutral.Rango del parámetro: ["happy", "sad", "angry", "fearful", "disgusted", "surprised", "neutral"]
Este parámetro admite la normalización de texto en inglés, lo cual puede mejorar el rendimiento en escenarios de lectura de números, pero aumentará ligeramente la latencia. Si no se proporciona, el valor predeterminado es false.
Rango【32000,64000,128000,256000】Tasa de bits de la voz generada. Opcional, valor predeterminado 128000. Este parámetro solo tiene efecto para audio en formato mp3.
Sustituye textos, símbolos y sus pronunciaciones correspondientes que necesitan anotación especial.Sustitución de pronunciación (ajuste de tono/sustitución por la pronunciación de otros caracteres), con el siguiente formato:["燕少飞/(yan4)(shao3)(fei1)","达菲/(da2)(fei1)","omg/oh my god"]Los tonos se representan con números: primer tono (yinping) es 1, segundo tono (yangping) es 2, tercer tono (shangsheng) es 3, cuarto tono (qusheng) es 4, y tono neutro es 5.
Rango [1,100]Peso; debe completarse junto con voice_id. Admite mezclar hasta 4 voces. El valor debe ser un entero; cuanto mayor sea la proporción de una sola voz, más se parecerá el timbre sintetizado a esa voz.
Cuando este parámetro se establece en True, el último chunk del streaming no incluirá los datos hex de la voz completa concatenada. El valor predeterminado es False, es decir, el último chunk incluye los datos hex de la voz completa concatenada.
Mejora la capacidad de reconocimiento de idiomas minoritarios y dialectos especificados. Tras configurarlo, puede mejorar el rendimiento de voz en escenarios del idioma minoritario/dialecto especificado. Si no está claro el tipo de idioma minoritario, puedes elegir “auto” y el modelo determinará de forma autónoma el tipo de idioma minoritario. Admite los siguientes valores:'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'
Parámetro que controla la forma del resultado de salida. Los valores opcionales son urlhex. El valor predeterminado es hex. Este parámetro solo tiene efecto en escenarios no streaming; en escenarios streaming solo se admite devolver en forma hex. La URL devuelta tiene una validez de 24 horas.
Ajuste de altura tonal (grave/brillante), rango [-100,100]. Cuanto más se acerque el valor a -100, más grave será la voz; cuanto más se acerque a 100, más brillante será la voz.
Ajuste de intensidad (potente/suave), rango [-100,100]. Cuanto más se acerque el valor a -100, más firme será la voz; cuanto más se acerque a 100, más suave será la voz.
Ajuste de timbre (magnético/nítido), rango [-100,100]. Cuanto más se acerque el valor a -100, más profunda será la voz; cuanto más se acerque a 100, más nítida será la voz.
Fragmento de audio sintetizado, codificado en hex, generado según el formato definido en la entrada (audio_setting.format) (mp3/pcm/flac). La forma de devolución se basa en la definición de output_format; cuando stream es true, solo se admite la devolución en forma hex.