Esta API admite la generación síncrona de texto a voz, con una transmisión máxima de 10000 caracteres por texto. Admite más de 100 voces del sistema y selección autónoma de voces clonadas; admite ajuste de volumen, entonación, velocidad y formato de salida; admite mezcla proporcional, 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 de texto largo, tenga en cuenta que la URL devuelta tiene una validez de 24 horas desde el momento en que se devuelve la URL. Preste atención al tiempo de descarga de la información.
Adecuada para escenarios como generación de frases cortas, chat de voz y redes sociales en línea; el tiempo de procesamiento es corto, 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 necesita controlar el intervalo de tiempo en la voz, agregue <#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 en el texto. Tenga en cuenta que el intervalo de tiempo entre textos debe establecerse entre dos textos que puedan pronunciarse, y no se pueden establecer varios intervalos de tiempo consecutivos.
Rango [-12,12], el valor predeterminado es 0Entonación de la voz generada. Opcional. (0 corresponde a la salida de la voz original; el valor debe ser un entero).
ID de la voz solicitada. 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 inexperto: male-qn-qingse
Voz de joven de élite: 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 inexperto-beta: male-qn-qingse-jingpin
Voz de joven de élite-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 admite 7 emociones: feliz, triste, enojado, temeroso, asqueado, sorprendido y neutral;Rango de parámetros: ["happy", "sad", "angry", "fearful", "disgusted", "surprised", "neutral"]
Este parámetro admite la normalización de texto en inglés y puede mejorar el rendimiento en escenarios de lectura de números, aunque aumentará ligeramente la latencia. Si no se proporciona, el valor predeterminado es false.
Rango【32000,64000,128000,256000】Bitrate de la voz generada. Opcional, el valor predeterminado es 128000. Este parámetro solo tiene efecto para audio en formato mp3.
Sustituye texto, símbolos y sus pronunciaciones correspondientes que requieren 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: 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 voz individual, 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. Después de configurarlo, puede mejorar el rendimiento de voz en escenarios del idioma minoritario/dialecto especificado. Si no está claro el tipo de idioma minoritario, puede elegir “auto” y el modelo determinará automáticamente 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; los escenarios streaming solo admiten devolver en forma hex. La URL devuelta es válida durante 24 horas.
Ajuste de tono (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 enérgica 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 el valor 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 retorno se basa en la definición de output_format; cuando stream es true, solo se admite el retorno en formato hex.