支持的模型
模型名称 | 语音合成单价（每万字符） | 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
- 华北2（北京）
HTTP请求地址：
POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generationSDK调用配置的base_url：https://dashscope.aliyuncs.com/api/v1Headers
参数 | 类型 | 是否必选 | 说明 |
|---|---|---|---|
Authorization | string | 是 | 鉴权令牌，格式为 |
Content-Type | string | 是 | 请求体的媒体类型，固定为 |
X-DashScope-SSE | string | 否 | 是否启用 SSE（Server-Sent Events）流式输出。设为 |
请求体modelstring（必选）模型名称。支持：
object（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：
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。 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：
speech-2.8-hd, speech-2.8-turbo 模型不支持 whisperboolean（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：
boolean（可选） 默认值为false是否启用朗读 LaTeX 公式的功能。取值范围：
$$x = \\frac{-b \\pm \\sqrt{b^2 - 4ac}}{2a}$$。
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：
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：
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。string（可选） 默认值为mp3设置生成的音频的格式。取值范围：
integer（可选） 默认值为1设置生成的音频的声道数。取值范围：
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：
仅流式输出且音频格式为 mp3时该参数生效。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"]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]。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）：
object（可选）设置声音效果，该参数支持的音频格式：
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：
boolean（可选） 默认值为false是否开启字幕。取值范围：
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。string（可选） 默认值为hex设置输出结果形式。取值范围：
该参数仅在非流式场景中生效（流式场景只返回 hex形式）。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：
该参数仅在非流式输出场景下有效。 |
返回体request_idstring本次调用的唯一标识符。outputobject模型返回的数据。
属性 base_resp object本次请求的状态码和详情。
属性 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
string状态详情。object返回的合成数据对象，可能为 null，需进行非空判断。
属性 atudio 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。status integer当前音频流状态：1 表示合成中，2 表示合成结束object
属性 audio_length integer音频时长（毫秒）audio_sample_rateinteger音频采样率audio_sizeinteger音频文件大小（字节）bitrateinteger音频比特率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。audio_channel integer生成音频声道数,1：单声道，2：双声道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usage_charactersinteger计费字符数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string本次会话的 id，用于在咨询/反馈时帮助定位问题object本次请求的状态码和详情。
属性 atudio 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。object本次请求的字符用量。
属性 characters integer输入文本的字符数。 |