speech-2.8-hd（同步）

POST/api/v1/audio/generation

Request Body

application/json

model*string

模型版本。固定值：speech-2.8-hd

Value in"speech-2.8-hd"

text*string

需要合成语音的文本，长度限制 <10000 字符。若文本长度 >3000 字符，推荐使用流式输出。

段落切换用换行符标记。

停顿控制：使用 <#x#> 标记，x 为停顿时长（秒），范围 [0.01, 99.99]，最多保留两位小数。需设置在两个可发音文本之间，不可连续使用多个。

行内发音替换：用括号包裹拼音（带声调1-5）/IPA音标/粤语拼音（带声调1-6）覆盖发音。

语气词标签：支持 (laughs)(chuckle)(coughs)(clear-throat)(groans)(breath)(pant)(inhale)(exhale)(gasps)(sniffs)(sighs)(snorts)(burps)(lip-smacking)(humming)(hissing)(emm)(sneezes)。

stream?boolean

是否流式输出。默认 false。

Defaultfalse

stream_options?object

流式输出选项

exclude_aggregated_audio?boolean

最后一个chunk是否包含拼接后的完整语音hex数据。默认 false（即包含）。

Defaultfalse

voice_setting?object

音色设置

voice_id*string

音色编号。支持系统音色、复刻音色、文生音色。使用混合音色时设为空值并配置 timbre_weights。

speed?number

语速，越大越快。范围 [0.5, 2]，默认 1.0。

Default1

Formatfloat

vol?number

音量，越大越高。范围 (0, 10]，默认 1.0。

Default1

Formatfloat

pitch?integer

语调，范围 [-12, 12]，默认 0（原音色）。

Default0

emotion?string

语音情绪。模型会根据文本自动匹配，一般无需手动指定。

happy：高兴
sad：悲伤
angry：愤怒
fearful：害怕
disgusted：厌恶
surprised：惊讶
calm：中性
fluent：生动

text_normalization?boolean

是否启用中文/英文文本规范化，开启后可提升数字阅读场景性能，但略微增加延迟。默认 false。

Defaultfalse

latex_read?boolean

是否朗读 latex 公式。默认 false。

注意：仅支持中文，开启后 language_boost 会被设为 Chinese；公式需首尾加 $$；公式中的 \ 需转义为 \。

Defaultfalse

audio_setting?object

音频输出设置

sample_rate?integer

音频采样率。可选 8000/16000/22050/24000/32000/44100，默认 32000。

Default32000

bitrate?integer

音频比特率。可选 32000/64000/128000/256000，默认 128000。仅 mp3 格式生效。

Default128000

format?string

音频格式。

mp3：MP3格式
pcm：PCM原始数据
flac：FLAC无损压缩
wav：WAV容器
pcmu_raw：G.711 μ-law无文件头裸数据（采样率8kHz）
pcmu_wav：G.711 μ-law封装WAV容器（采样率8kHz）
opus：Ogg/Opus编码

Default"mp3"

channel?integer

声道数。1=单声道，2=双声道，默认 1。

Default1

force_cbr?boolean

恒定比特率控制。仅流式输出且格式为 mp3 时生效。默认 false。

Defaultfalse

pronunciation_dict?object

自定义发音规则

tone?array<string>

发音规则列表，格式为原文/替换内容。替换内容可以是纯文本、括号包裹的拼音（带声调）、IPA音标、日语假名。多条规则同时生效。

示例：处理/(chu3)(li3)、危险/dangerous、resume/(rɪˈzjum)、東京/トウキョウ

[]?string

timbre_weights?array<object>

混合音色配置。最多支持 4 种音色混合，单一音色取值占比越高，合成音色与该音色相似度越高。使用混合音色时，voice_setting.voice_id 需设为空值。

[]?object

voice_id*string

音色编号

weight*integer

该音色所占权重，范围 [1, 100]

language_boost?string

增强指定小语种和方言的识别能力。默认 null，可设为 auto 让模型自主判断。

可选值：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

Value in

"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

声音效果器设置。支持的音频格式：非流式 mp3/wav/flac；流式 mp3。

pitch?integer

音高调整（低沉/明亮），范围 [-100, 100]。接近 -100 更低沉，接近 100 更明亮。

intensity?integer

强度调整（力量感/柔和），范围 [-100, 100]。接近 -100 更刚劲，接近 100 更轻柔。

timbre?integer

音色调整（磁性/清脆），范围 [-100, 100]。接近 -100 更浑厚，接近 100 更清脆。

sound_effects?string

音效设置，单次仅能选择一种。

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

Value in"spacious_echo" | "auditorium_echo" | "lofi_telephone" | "robotic"

subtitle_enable?boolean

是否开启字幕服务。默认 false。

Defaultfalse

subtitle_type?string

字幕粒度。

sentence：句级别时间戳
word：词级别时间戳
word_streaming：流式优化的词级别时间戳，仅 stream=true 时有效

Default"sentence"

Value in"sentence" | "word" | "word_streaming"

output_format?string

输出结果形式。仅非流式场景生效，流式场景仅支持 hex。返回的 url 有效期 24 小时。

Default"hex"

Value in"url" | "hex"

aigc_watermark?boolean

是否在合成音频末尾添加音频节奏标识。仅非流式合成生效。默认 false。

Defaultfalse

return_original?boolean

返回原厂数据。默认 false：返回中继站标准响应格式（code+data+message+request_id）；true：返回原厂格式（data/extra_info/trace_id/base_resp）。

Defaultfalse

Response Body

application/json

成功

TypeScript Definitions

Use the response body type in TypeScript.

code?integer

状态码

data?object

响应数据

audio?string

合成后的音频数据（hex编码）

subtitle_file?string

字幕下载链接（JSON格式，精确到句，单位毫秒）

status?integer

音频流状态：1=合成中，2=合成结束

extra_info?object

audio_length?integer

音频时长（毫秒）

audio_sample_rate?integer

音频采样率

audio_size?integer

音频文件大小（字节）

bitrate?integer

音频比特率

audio_format?string

音频格式

audio_channel?integer

声道数

invisible_character_ratio?number

非法字符占比

usage_characters?integer

计费字符数

word_count?integer

已发音字数统计

message?string

提示信息

request_id?string

请求ID

curl -X POST "https://api.aa.com.cn/api/v1/audio/generation" \
  -H "Authorization: string" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "speech-2.8-hd",
    "text": "string",
    "stream": false,
    "subtitle_enable": false,
    "subtitle_type": "sentence",
    "output_format": "url",
    "aigc_watermark": false,
    "return_original": false
  }'

curl -X POST "https://api.aa.com.cn/api/v1/audio/generation" \  -H "Authorization: string" \  -H "Content-Type: application/json" \  -d '{    "model": "speech-2.8-hd",    "text": "string",    "stream": false,    "subtitle_enable": false,    "subtitle_type": "sentence",    "output_format": "url",    "aigc_watermark": false,    "return_original": false  }'

{
  "code": 0,
  "data": {
    "audio": "string",
    "subtitle_file": "string",
    "status": 0,
    "extra_info": {
      "audio_length": 0,
      "audio_sample_rate": 0,
      "audio_size": 0,
      "bitrate": 0,
      "audio_format": "string",
      "audio_channel": 0,
      "invisible_character_ratio": 0,
      "usage_characters": 0,
      "word_count": 0
    }
  },
  "message": "string",
  "request_id": "string"
}

speech-2.8-hd（同步）

Header Parameters

Request Body

Response Body

200application/json

application/json