跳转到主要内容
MiniMax

MiniMax同步语音合成API参考

MiniMax 同步语音合成 HTTP API 参考,包含支持的模型、计费方式、请求参数、返回字段、调用示例,以及查询与删除音色的声音管理接口。

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
Authorizationstring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-Typestring是请求体的媒体类型,固定为application/json。
X-DashScope-SSEstring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。
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)
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)
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)
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。
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。
  • 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
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>",
            "ced": "",
            "status": 2
        },
        "extra_info": {
            "audio_channel": 1,
            "audio_format": "mp3",
            "audio_length": 4536,
            "audio_sample_rate": 32000,
            "audio_size": 74292,
            "bitrate": 128000,
            "invisible_character_ratio": 0,
            "usage_characters": 34,
            "word_count": 22
        },
        "trace_id": "07251d0708c723e3a8f8dd979928e429"
    },
    "usage": {
        "characters": 34
    },
    "request_id": "35c7bb92-2898-9c4a-9be4-200bc7c5d61f"
}
参数类型说明
request_idstring本次调用的唯一标识符。
outputobject模型返回的数据。
output.base_respobject本次请求的状态码和详情。
output.base_resp.status_codeinteger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_msgstring状态详情。
output.dataobject返回的合成数据对象,可能为 null,需进行非空判断。
output.data.audiostring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.statusinteger当前音频流状态:1 表示合成中,2 表示合成结束
output.extra_infoobject
output.extra_info.audio_lengthinteger音频时长(毫秒)
output.extra_info.audio_sample_rateinteger音频采样率
output.extra_info.audio_sizeinteger音频文件大小(字节)
output.extra_info.bitrateinteger音频比特率
output.extra_info.audio_formatstring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_channelinteger生成音频声道数,1:单声道,2:双声道
output.extra_info.invisible_character_ratiofloat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_charactersinteger计费字符数
output.extra_info.word_countinteger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_idstring本次会话的 id,用于在咨询/反馈时帮助定位问题
usageobject本次请求的计费用量。
usage.charactersinteger输入文本的字符数。
usage.countinteger(可选)本次请求产生的复刻音色解锁计费次数。首次使用复刻音色合成语音会返回此字段,值为 1;后续使用同一音色时不返回此字段。音色解锁费仅收取一次。
usage 字段示例:
{
    "characters": 17,
    "count": 1
}

声音管理

通过同一 HTTP 接口,可查询可用的音色 ID,或删除已复刻的音色。URL 与 Headers 同上(无需设置 X-DashScope-SSE)。

查询可用音色 ID

请求体
参数类型是否必选说明
modelstring是模型名称。固定填写 MiniMax/speech-2.8-turbo。
inputobject是请求参数。
input.actionstring是需要进行的操作,设置为 get_voice(获取音色)。
input.voice_typestring是希望查询的音色类型,取值:
  • system:系统音色。
  • voice_cloning:复刻的音色,仅在成功用于语音合成后才可查询。
  • voice_generation:文生音色接口生成的音色,暂不支持。
  • all:以上全部。
请求示例
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; charset=utf-8' \
-d '{
  "input": {
    "action": "get_voice",
    "voice_type": "all"
  },
  "model": "MiniMax/speech-2.8-turbo"
}'
返回体
参数类型说明
request_idstring本次调用的唯一标识符。
outputobject模型返回的数据。
output.system_voiceobject系统预定义的音色。
output.system_voice.voice_idstring音色 ID。
output.system_voice.voice_namestring音色名称,非调用的音色 ID。
output.system_voice.descriptionstring[]音色描述。
output.voice_cloningobject音色快速复刻的音色数据。
output.voice_cloning.voice_idstring音色 ID。
output.voice_cloning.voice_namestring音色名称,非调用的音色 ID。
output.voice_cloning.descriptionstring[]音色描述。
output.voice_cloning.created_timestring创建时间,格式 yyyy-mm-dd。
output.base_respobject本次请求的状态码和详情。
output.base_resp.status_codeinteger状态码。
  • 0:请求结果正常
  • 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_msgstring状态详情。
返回示例
{
    "output": {
        "base_resp": {
            "status_code": 0,
            "status_msg": "success"
        },
        "system_voice": [
            {
                "created_time": "1970-01-01",
                "description": [],
                "voice_id": "male-qn-qingse",
                "voice_name": "青涩青年音色"
            }
        ]
    },
    "request_id": "6cd17383-fc97-9445-adad-e4deb16716af"
}

删除音色

请求体
参数类型是否必选说明
modelstring是模型名称。固定填写 MiniMax/speech-2.8-turbo。
inputobject是请求参数。
input.actionstring是需要进行的操作,设置为 delete_voice(删除声音)。
input.voice_typestring是设置为 voice_cloning。
input.voice_idstring是需要删除的音色 ID。
请求示例
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; charset=utf-8' \
-d '{
  "input": {
    "action": "delete_voice",
    "voice_type": "voice_cloning",
    "voice_id": "bailian-test-voice-22"
  },
  "model": "MiniMax/speech-2.8-turbo"
}'
返回体
参数类型说明
request_idstring本次调用的唯一标识符。
outputobject模型返回的数据。
output.voice_idstring被删除音色 ID。
output.created_timestring被删除音色的创建时间,格式 yyyy-mm-dd。
output.base_respobject本次请求的状态码和详情。
output.base_resp.status_codeinteger状态码。
  • 0:请求结果正常
  • 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_msgstring状态详情。
返回示例
{
    "output": {
        "base_resp": {
            "status_code": 0,
            "status_msg": "success"
        },
        "created_time": "2026-03-20",
        "voice_id": "bailian-test-voice-21"
    },
    "request_id": "045a4858-c9c4-942d-9fab-57e97a6305c3"
}