MiniMax 语音合成 API 参考

支持的模型

模型名称	单价/万字符	复刻音色	免费额度
MiniMax/speech-2.8-hd	3.5元	9.9元（首次使用时收取）	无
MiniMax/speech-02-hd	3.5元	9.9元（首次使用时收取）	无
MiniMax/speech-2.8-turbo	2元	9.9元（首次使用时收取）	无
MiniMax/speech-02-turbo	2元	9.9元（首次使用时收取）	无

请求端点

POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

请求头

参数	类型	是否必选	说明
Authorization	string	必选	鉴权信息，格式为 `Bearer $DASHSCOPE_API_KEY`
Content-Type	string	必选	请求体格式，固定为 `application/json`
X-DashScope-SSE	string	可选	设置为 `enable` 时开启 SSE 流式输出

请求体

顶层字段

参数	类型	是否必选	说明
model	string	必选	模型名称，可选值见支持的模型
input	object	必选	输入数据，详见 input 参数

input 参数

参数	类型	是否必选	说明
text	string	必选	待合成的文本，最多 10000 个字符。超过 3000 个字符时建议使用流式模式
voice_setting	object	必选	音色设置，详见 voice_setting 参数
audio_setting	object	可选	音频输出设置，详见 audio_setting 参数
pronunciation_dict	object	可选	自定义发音词典，详见 pronunciation_dict 参数
timbre_weights	object[]	可选	混合音色配置，最多支持 4 个音色，详见 timbre_weights 参数
language_boost	string	可选	语言增强，默认为 null。支持 `auto` 或指定语言，详见支持的语言
voice_modify	object	可选	音效调整，详见 voice_modify 参数
subtitle_enable	boolean	可选	是否返回字幕信息，默认为 `false`。仅非流式模式可用，支持 speech-2.8-hd、speech-2.8-turbo、speech-2.6-hd、speech-2.6-turbo、speech-02-hd、speech-02-turbo、speech-01-hd、speech-01-turbo
output_format	string	可选	音频数据返回格式，默认为 `hex`。可选值：`url`（有效期24小时）或 `hex`（二进制 hex 编码）。仅非流式模式可用
aigc_watermark	boolean	可选	是否在音频末尾添加 AIGC 隐水印，默认为 `false`。仅非流式模式可用

voice_setting 参数

参数	类型	是否必选	说明
voice_id	string	必选	音色 ID。使用 `timbre_weights` 混合音色时可留空
speed	float	可选	语速，默认 `1.0`，范围 [0.5, 2.0]
vol	float	可选	音量，默认 `1.0`，范围 (0.0, 10.0]
pitch	integer	可选	音调，默认 `0`，范围 [-12, 12]
emotion	string	可选	情感风格。可选值：`happy`、`sad`、`angry`、`fearful`、`disgusted`、`surprised`、`calm`、`whisper`。注意：speech-2.8-hd 和 speech-2.8-turbo 不支持 `whisper`
text_normalization	boolean	可选	是否对数字等内容进行中英文文本规范化处理，默认 `false`
latex_read	boolean	可选	是否朗读 LaTeX 公式，默认 `false`。仅支持中文，启用后自动将 `language_boost` 设置为中文。公式需用 `$` 包裹，反斜杠需转义为 `\\`

audio_setting 参数

参数	类型	是否必选	说明
sample_rate	integer	可选	采样率，默认 `32000`。可选值：8000、16000、22050、24000、32000、44100
bitrate	integer	可选	比特率，默认 `128000`。可选值：32000、64000、128000、256000。仅在 `format` 为 `mp3` 时生效
format	string	可选	音频格式，默认 `mp3`。可选值：`mp3`、`pcm`、`flac`、`wav`。`wav` 格式仅支持非流式模式
channel	integer	可选	声道数，默认 `1`。可选值：`1`（单声道）或 `2`（立体声）
force_cbr	boolean	可选	是否使用固定码率编码，默认 `false`。仅在流式 mp3 模式下生效

pronunciation_dict 参数

参数	类型	是否必选	说明
tone	string[]	可选	自定义读音规则列表。分隔符为 `/`，中文声调用数字 1-5 表示。示例：`["燕少飞/(yan4)(shao3)(fei1)", "omg/oh my god"]`

timbre_weights 参数

数组中每个对象包含以下字段：

参数	类型	是否必选	说明
voice_id	string	必选	音色 ID
weight	integer	必选	该音色的权重，范围 [1, 100]

voice_modify 参数

非流式模式支持 mp3、wav、flac 格式；流式模式仅支持 mp3 格式。

参数	类型	是否必选	说明
pitch	integer	可选	音调，范围 [-100, 100]，值越低音调越低
intensity	integer	可选	强度，范围 [-100, 100]，值越低强度越强
timbre	integer	可选	音色，范围 [-100, 100]，值越低音色越浑厚
sound_effects	string	可选	音效效果。可选值：`spacious_echo`（宽阔回声）、`auditorium_echo`（礼堂回声）、`lofi_telephone`（复古电话）、`robotic`（机械音）

language_boost 支持的语言

language_boost 支持以下语言值： 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

请求示例

curl -X POST "https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "MiniMax/speech-2.8-hd",
  "input": {
    "text": "今天是不是很开心呀(laughs)，当然了！",
    "voice_setting": {
      "voice_id": "male-qn-qingse",
      "speed": 1,
      "vol": 1,
      "pitch": 0,
      "emotion": "happy"
    },
    "audio_setting": {
      "sample_rate": 32000,
      "bitrate": 128000,
      "format": "mp3",
      "channel": 1
    },
    "pronunciation_dict": {
      "tone": [
        "处理/(chu3)(li3)",
        "危险/dangerous"
      ]
    },
    "subtitle_enable": false
  }
}'

响应体

顶层字段

参数	类型	说明
request_id	string	本次调用的唯一标识
output	object	模型输出数据，详见 output 字段
usage	object	用量信息，详见 usage 字段

output 字段

参数	类型	说明
base_resp	object	状态信息，详见 base_resp 字段
data	object	音频数据，合成失败时为 null，详见 data 字段
extra_info	object	附加信息，详见 extra_info 字段
trace_id	string	本次会话 ID，用于问题排查

base_resp 字段

参数	类型	说明
status_code	integer	状态码。`0`=成功；`1000`=未知错误；`1001`=超时；`1002`=触发限流；`1004`=鉴权失败；`1039`=触发 TPM 限流；`1042`=超过 10% 的无效字符；`2013`=参数不合法
status_msg	string	状态描述

data 字段

参数	类型	说明
audio	string	hex 编码的音频二进制数据
status	integer	合成状态。`1`=合成中；`2`=合成完成

extra_info 字段

参数	类型	说明
audio_length	integer	音频时长（毫秒）
audio_sample_rate	integer	音频采样率
audio_size	integer	音频大小（字节）
bitrate	integer	音频比特率
audio_format	string	音频格式，可选值：`mp3`、`pcm`、`flac`
audio_channel	integer	声道数，`1` 表示单声道，`2` 表示立体声
invisible_character_ratio	float	无效字符占比。不超过 10% 时正常合成；超过 10% 时返回错误
usage_characters	integer	计费字符数
word_count	integer	词语数量（不含标点符号）

usage 字段

参数	类型	说明
characters	integer	输入文本的字符数

响应示例

{
  "output": {
    "base_resp": {
      "status_code": 0,
      "status_msg": "success"
    },
    "data": {
      "audio": "<hex编码的audio>",
      "status": 2
    },
    "extra_info": {
      "audio_channel": 1,
      "audio_format": "mp3",
      "audio_length": 3528,
      "audio_sample_rate": 16000,
      "audio_size": 58164,
      "bitrate": 128000,
      "invisible_character_ratio": 0,
      "usage_characters": 26,
      "word_count": 14
    },
    "trace_id": "05fdef92e4c1b32283e3d1c456971a80"
  },
  "usage": {
    "characters": 26
  },
  "request_id": "233b9516-1038-9697-b458-87e95a1f8108"
}

​支持的模型

​请求端点

​请求头

​请求体

​顶层字段

​input 参数

​voice_setting 参数

​audio_setting 参数

​pronunciation_dict 参数

​timbre_weights 参数

​voice_modify 参数

​language_boost 支持的语言

​请求示例

​响应体

​顶层字段

​output 字段

​base_resp 字段

​data 字段

​extra_info 字段

​usage 字段

​响应示例

支持的模型

请求端点

请求头

请求体

顶层字段

input 参数

voice_setting 参数

audio_setting 参数

pronunciation_dict 参数

timbre_weights 参数

voice_modify 参数

language_boost 支持的语言

请求示例

响应体

顶层字段

output 字段

base_resp 字段

data 字段

extra_info 字段

usage 字段

响应示例