MiniMax同步语音合成API参考

支持的模型

模型名称	语音合成单价（每万字符）	复刻一个音色	免费额度（注）
MiniMax/speech-2.8-hd	3.5元	9.9元（在首次使用复刻出来的音色进行语音合成的时候收取）	无
MiniMax/speech-02-hd	3.5元
MiniMax/speech-2.8-turbo	2元
MiniMax/speech-02-turbo	2元

URL

HTTP请求地址：POST https://maas.qianwenaiapi.com/api/v1/services/aigc/multimodal-generation/generation SDK调用配置的base_url：https://maas.qianwenaiapi.com/api/v1

Headers

参数	类型	是否必选	说明
Authorization	string	是	鉴权令牌，格式为`Bearer $DASHSCOPE_API_KEY`，使用时，将“`$DASHSCOPE_API_KEY`”替换为实际的API Key。
Content-Type	string	是	请求体的媒体类型，固定为`application/json`。
X-DashScope-SSE	string	否	是否启用 SSE（Server-Sent Events）流式输出。设为 `enable` 时，服务端将以流式事件逐步返回结果，适用于实时性要求较高的场景。不设置时，使用默认的同步响应模式。

请求体

modelstring（必选）模型名称。支持：

MiniMax/speech-2.8-hd

MiniMax/speech-02-hd

MiniMax/speech-2.8-turbo

MiniMax/speech-02-turbo

inputobject（必选）

属性

text string（必选）待合成语音的文本。长度限制小于 10000 字符，若文本长度大于 3000 字符，推荐使用流式输出。stream_options object（可选）流式输出的配置项，仅在请求头 X-DashScope-SSE: enable 时生效。

属性

exclude_aggregated_audio boolean（可选）默认值为false控制流式输出的合成结束帧中，audio 字段是否返回本次合成的完整音频（即此前所有合成中分块拼接后的整段 hex 数据）。取值范围：

false：合成结束帧的 audio 字段返回所有分块拼接后的完整音频，客户端可在流结束时直接取用整段音频，无需自行拼接前面的分块。
true：合成结束帧的 audio 字段为空字符串，整段音频需由客户端将此前所有合成中分块的 audio 按顺序自行拼接得到。可显著减少尾包体积与传输耗时，适用于客户端已经按 chunk 边接收边播放、或自行累积保存音频的场景。

该参数仅在流式输出场景下生效；非流式输出场景下设置无效。

voice_setting object（必选）

属性

voice_id string（必选）设置音色ID。若需要设置混合音色，请设置 timbre_weights 参数，本参数设置为空值。speed float（可选）默认值为1.0设置语速。取值范围：[0.5, 2.0]。vol float（可选）默认值为1.0设置音量。取值范围：(0.0, 10.0]。pitch integer（可选）默认值为0设置音高。取值范围：[-12, 12]。emotion string（可选）无默认值设置情感。模型会根据输入文本自动匹配合适的情感，一般无需手动指定。取值范围：

happy：高兴
sad：悲伤
angry：愤怒
fearful：害怕
disgusted：厌恶
surprised：惊讶
calm：中性
whisper：低语

speech-2.8-hd, speech-2.8-turbo 模型不支持 whisper

text_normalization boolean（可选）默认值为false是否启用中文、英语文本规范化，开启后可提升数字阅读场景的性能，但会略微增加延迟。取值范围：

true：开启
false：关闭

latex_read boolean（可选）默认值为false是否启用朗读 LaTeX 公式的功能。取值范围：

true：开启
false：关闭

示例：x = 2 a − b ± b 2 − 4 a c如上公式应表示为：$$x = \\frac{-b \\pm \\sqrt{b^2 - 4ac}}{2a}$$。

仅支持中文，开启该功能后，language_boost参数会被设置为Chinese。
请求中的公式需要在公式的首尾加上 $$。
请求中公式若有 "\"，需转义成 "\\"。

audio_setting object（可选）

属性

sample_rate integer（可选）默认值为32000设置生成的音频的采样率（单位为Hz）。取值范围：

8000
16000
22050
24000
32000
44100

bitrate integer（可选）默认值为128000设置生成的音频的码率（单位kbps）。取值范围：

32000
64000
128000
256000

该参数仅在format参数为mp3时生效。对于其他格式，该参数将被忽略。

format string（可选）默认值为mp3设置生成的音频的格式。取值范围：

mp3
pcm
flac
wav

channel integer（可选）默认值为1设置生成的音频的声道数。取值范围：

1：单声道
2：双声道

force_cbr boolean（可选）默认值为false是否以恒定码率进行音频编码。取值范围：

true：是
false：否

仅流式输出且音频格式为mp3时该参数生效。

pronunciation_dict object（可选）

属性

tone string[]（可选）定义需要特殊标注的文字或符号对应的注音或发音替换规则。

使用 / 作为分隔符。

在中文文本中，声调用数字表示：一声为 1，二声为 2，三声为 3，四声为 4，轻声为 5。示例：["燕少飞/(yan4)(shao3)(fei1)", "omg/oh my god"]

timbre_weights object[]（可选）若需要设置混合音色，请对该参数进行设置。最多支持 4 种音色混合。

属性

voice_id string（必选）设置音色ID。weight integer（必选）设置音色所占权重，必须与 voice_id 同步填写。单一音色取值占比越高，合成音色与该音色相似度越高。取值范围：[1, 100]。

language_boost string（可选）默认值为null是否增强对指定的小语种和方言的识别能力。可设置为 auto 让模型自主判断。

取值范围（点击查看）：

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

voice_modify object（可选）设置声音效果，该参数支持的音频格式：

非流式：mp3、wav、flac
流式：mp3

属性

pitch integer（可选）无默认值设置音高（低沉/明亮）。数值越低声音越低沉，数值越高声音越明亮。取值范围：[-100, 100]。intensity integer（可选）无默认值设置强度（力量感/柔和）。数值越低声音越刚劲，数值越高声音越轻柔。取值范围：[-100, 100]。timbre integer（可选）无默认值设置音色明暗程度（磁性/清脆）。数值越低声音越浑厚，数值越高声音越清脆。取值范围：[-100, 100]。sound_effects string（可选）无默认值设置音效。取值范围：

spacious_echo：空旷回音
auditorium_echo：礼堂广播
lofi_telephone：电话失真
robotic：电音

subtitle_enable boolean（可选）默认值为false是否开启字幕。取值范围：

true：是
false：否

该参数仅在非流式输出场景下有效，且仅对 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 模型有效。

output_format string（可选）默认值为hex设置输出结果形式。取值范围：

url：语音合成结果以URL形式返回，有效期为24小时
hex：语音合成结果以二进制形式返回

该参数仅在非流式场景中生效（流式场景只返回hex形式）。

aigc_watermark boolean（可选）默认值为false是否在合成音频末尾添加 AIGC 隐性标识。取值范围：

true：是
false：否

该参数仅在非流式输出场景下有效。

curl -X POST "https://maas.qianwenaiapi.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
  }
}'

返回体

{
    "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"
}

参数	类型	说明
request_id	string	本次调用的唯一标识符。
output	object	模型返回的数据。
output.base_resp	object	本次请求的状态码和详情。
output.base_resp.status_code	integer	状态码。您可在header中获取本次会话的trace_id，用于在咨询/反馈时帮助定位问题 `0`: 请求结果正常 `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`: 非法字符超过 10% `2013`: 输入参数信息不正常更多内容可查看错误码查询列表了解详情
output.base_resp.status_msg	string	状态详情。
output.data	object	返回的合成数据对象，可能为 null，需进行非空判断。
output.data.audio	string	合成后的音频数据，采用 hex 编码，格式与请求中（`output_format`参数）指定的输出格式一致。
output.data.status	integer	当前音频流状态：1 表示合成中，2 表示合成结束
output.extra_info	object
output.extra_info.audio_length	integer	音频时长（毫秒）
output.extra_info.audio_sample_rate	integer	音频采样率
output.extra_info.audio_size	integer	音频文件大小（字节）
output.extra_info.bitrate	integer	音频比特率
output.extra_info.audio_format	string	生成音频文件的格式。取值范围 `[mp3, pcm, flac]` 可用选项： `mp3`, `pcm`, `flac`。
output.extra_info.audio_channel	integer	生成音频声道数,1：单声道，2：双声道
output.extra_info.invisible_character_ratio	float	非法字符占比.非法字符不超过 10%（包含 10%），音频会正常生成,并返回非法字符占比数据；如超过 10% 将进行报错
output.extra_info.usage_characters	integer	计费字符数
output.extra_info.word_count	integer	已发音的字数统计，包含汉字、数字、字母，不包含标点符号
output.trace_id	string	本次会话的 id，用于在咨询/反馈时帮助定位问题
usage	object	本次请求的字符用量。
usage.characters	integer	输入文本的字符数。

​支持的模型

​URL

​Headers

请求体

​返回体

支持的模型

URL

Headers

返回体