Esta API admite la generación síncrona de texto a voz, con un máximo de 10000 caracteres por envío de texto. Admite más de 100 voces del sistema y voces clonadas seleccionables por el usuario; permite ajustar volumen, entonación, velocidad y formato de salida; admite mezcla de voces por proporción y control de intervalos fijos; admite múltiples especificaciones y formatos de audio, incluidos: mp3, pcm, flac, wav, y admite salida en streaming.Después de enviar una solicitud de síntesis de voz con 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 redes sociales en línea. Tiene baja latencia, pero el límite de longitud del texto es inferior a 10000 caracteres. Para textos largos, se recomienda usar síntesis de voz mediante llamada asíncrona.
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 tiempo de intervalo en la voz, añade <#x#> entre caracteres; x está en segundos, admite 0.01-99.99, con un máximo de dos decimales). Admite intervalos de tiempo de voz personalizados entre textos para lograr pausas personalizadas en el texto hablado. Ten en cuenta que el intervalo de tiempo entre textos debe establecerse entre dos fragmentos de texto que puedan pronunciarse, y no se pueden establecer múltiples intervalos de tiempo consecutivos.
Rango [0.5,2], valor predeterminado 1.0Velocidad de habla de la voz generada. Opcional. Cuanto mayor sea el valor, más rápida será la velocidad de habla.
Identificador 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 juvenil verde: male-qn-qingse
Voz juvenil de élite: male-qn-jingying
Voz juvenil dominante: male-qn-badao
Voz de estudiante universitario joven: male-qn-daxuesheng
Voz de chica: female-shaonv
Voz de mujer madura dominante: 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 juvenil verde-beta: male-qn-qingse-jingpin
Voz juvenil de élite-beta: male-qn-jingying-jingpin
Voz juvenil dominante-beta: male-qn-badao-jingpin
Voz de estudiante universitario joven-beta: male-qn-daxuesheng-jingpin
Voz de chica-beta: female-shaonv-jingpin
Voz de mujer madura dominante-beta: female-yujie-jingpin
Controla la emoción de la voz sintetizada;Actualmente admite 7 emociones: felicidad, tristeza, ira, miedo, asco, sorpresa y neutralidad;Rango de parámetros: ["happy", "sad", "angry", "fearful", "disgusted", "surprised", "neutral"]
Este parámetro admite la normalización de texto en inglés, lo que 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, el valor predeterminado es 128000. Este parámetro solo tiene efecto para audio en formato mp3.
Sustituye textos, símbolos y sus pronunciaciones correspondientes que requieren anotación especial.Sustitución de pronunciación (ajustar tono/sustituir 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 sustituyen por números: el primer tono (yinping) es 1, el segundo tono (yangping) es 2, el tercer tono (shangsheng) es 3, el cuarto tono (qusheng) es 4, y el 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 la voz sintetizada 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 para idiomas minoritarios y dialectos especificados. Una vez configurado, puede mejorar el rendimiento de la 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 de streaming solo se admite la devolución en formato 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 depende de la definición de output_format; cuando stream es true, solo se admite la devolución en formato hex.