help.khb.com 多模态生成 语音合成 (TTS)

语音合成 (TTS)

2026年6月14日2026年6月14日| 上午3:52
Categories:

文本转语音 (TTS) 支持多音色语音合成,包括系统预设、用户自定义和动态音色克隆。

1. 使用场景

文本转语音模型 (TTS) 是一种将文本信息转换为语音输出的 AI 模型。该模型将输入文本内容生成自然流畅、富有表现力的语音,适用于多种应用场景:

  • 为博客文章提供音频朗读
  • 生成多语言语音内容
  • 支持实时流媒体音频输出

2. API 使用指南

  • 端点:/audio/speech,具体使用可参考 API 文档。
  • 主要请求参数:
    • model:用于语音合成的模型,支持的 模型列表。
    • input:待转换为音频的文本内容。
    • voice:参考音色,支持系统预置音色、用户预置音色、用户动态音色。
    • speed:可以控制音频速度,float 类型,默认值是 1.0,可选范围是 [0.25, 4.0]。
    • gain:音频增益,单位 dB,可以控制音频声音大小,float 类型,默认值是 0.0,可选范围是 [-10, 10]。
    • response_format:控制输出格式,支持 mp3、opus、wav 和 pcm 格式。在选择不同的输出格式时,输出的采样率也会有所不同。
    • sample_rate:控制音频采样率,默认值因输出格式而异。
    • stream:是否流式输出音频,适合长文本生成场景。

3. 音色类型

类型 说明 使用方式
系统预置音色 平台官方提供的高质量音色 直接指定 voice 参数
用户预置音色 用户通过 API 上传并保存的自定义音色 通过 voice_id 调用
用户动态音色 每次请求时临时上传的参考音频 通过 references 字段

4. 使用示例

4.1 基础语音合成

curl --location 'https://khb.net.cn/v1/audio/speech' \
  --header 'Authorization: Bearer sk-xx' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "FunAudioLLM/CosyVoice2-0.5B",
    "input": "你好,欢迎使用 KHB 算力平台",
    "voice": "FunAudioLLM/CosyVoice2-0.5B:alex",
    "response_format": "mp3",
    "stream": false
  }'

4.2 Python 流式合成

import requests

url = "https://khb.net.cn/v1/audio/speech"

payload = {
    "model": "FunAudioLLM/CosyVoice2-0.5B",
    "input": "你站在桥上看风景,看风景的人在楼上看你。明月装饰了你的窗子,你装饰了别人的梦",
    "voice": "FunAudioLLM/CosyVoice2-0.5B:alex",
    "response_format": "mp3",
    "stream": True
}

headers = {
    "Authorization": "Bearer sk-xx",
    "Content-Type": "application/json"
}

response = requests.post(url, json=payload, headers=headers, stream=True)

if response.status_code == 200:
    with open("output.mp3", "wb") as f:
        for chunk in response.iter_content(chunk_size=1024):
            if chunk:
                f.write(chunk)
    print("音频已成功保存为 output.mp3")
else:
    print(f"请求失败,状态码: {response.status_code}")
    print(f"错误信息: {response.text}")

5. 计费说明

语音合成按输入字符数计费,具体单价以 模型广场 为准。

6. 最佳实践

  • 对于长文本,建议使用流式输出 (stream=true),避免等待超时
  • 对于个性化需求,可使用声音克隆 API 上传自定义音色
  • 关注音频大小与采样率的平衡,在音质和成本之间取舍

Related Post