跳转到主要内容

​
快速入门

目前支持文本转语音的模型有 tts-1、tts-1-hd、gpt-4o-mini-tts、doubao-tts、seed-tts-1.1，你可以通过如下方式调用： 
curl --location 'https://geekai.co/api/v1/audio/speech' \
--header 'Content-Type: application/json' \
--header 'Authorization: {YOUR_GEEKAI_API_KEY}' \
--data '{
    "input":"Hello! Nice to meet you!",
    "model":"gpt-4o-mini-tts"
}'
豆包语音合成模型仅支持中英文，其他语种建议使用 OpenAI 语音模型。

​
声音角色

OpenAI 支持的声音角色（通过 voice 指定）有：
  • alloy
  • ash
  • ballad
  • coral
  • echo
  • fable
  • onyx
  • nova
  • sage
  • shimmer
选择任意值填充到 voice 参数即可。 豆包平台支持的声音角色太多，这里不一一列举，参考火山引擎的大模型语音合成音色列表，将其中的 voice_type 值填充到 voice 参数即可。

​
音频格式

OpenAI 支持的音频输出格式（通过 response_format 参数指定）如下：
  • mp3
  • opus
  • wav
  • flac
  • pcm
  • aac
不指定的话默认输出格式为 mp3，豆包平台目前仅支持生成 mp3/wav/pcm/ogg_opus 格式的音频。

​
流式输出

文本转语音默认输出的是二进制音频文件流，如果你想要实现边输出边播放的效果，可以设置 stream_format 请求字段为 sse 开启 SSE 流式输出，目前仅 gpt-4o-mini-tts、doubao-tts、seed-tts-1.1 支持流式输出： 
curl --location 'https://geekai.co/api/v1/audio/speech' \
--header 'Content-Type: application/json' \
--header 'Authorization: {YOUR_GEEKAI_API_KEY}' \
--data '{
    "input":"你好，很高兴见到你！",
    "model":"doubao-tts",
    "response_format":"pcm",
    "stream_format":"sse"
}'
流式输出推荐使用 pcm 音频格式，延迟最低，适合边输出边播放，豆包平台的 wav 格式不支持流式输出，使用时请注意规避。
返回结果会以 SSE 流的形式分块返回经过 base64 编码的音频数据，你可以通过监听 EventStream 来获取每一块数据，直到接收到 [DONE] 表示流式输出结束，极客智坊语音合成流式输出格式兼容 OpenAI 流式语音合成输出格式。 type 字段为 speech.audio.delta 表示这是音频数据块，audio 字段为经过 base64 编码的音频数据片段，你可以将这些片段解码后拼接成完整的音频文件，或者边解码边播放： 
{
    "id": "24f44c9a-e6f9-4a80-812a-d17e6621e107",
    "type": "speech.audio.delta",
    "audio": "{base64音频数据片段} ",
}
type 字段为 speech.audio.done 表示流式输出结束，接下来可以关闭服务端 EventStream 了： 
{
    "id": "24f44c9a-e6f9-4a80-812a-d17e6621e107",
    "type": "speech.audio.done",
    "usage": {
        "input_tokens": 3,
        "output_tokens": 73,
        "total_tokens": 76
    }
}
更多语音合成参数请参考API文档。