​
介绍

文本转语音（TTS）API 基于先进的生成 AI 模型，可以将输入的文本转换为逼真的语音音频。支持多种用途：

  • 为书面博客文章配音
  • 生成多种语言的语音音频
  • 提供实时音频输出流

可用模型列表：

  • gpt-4o-audio-preview —— OpenAI 最新的音频生成模型，支持对话式音频生成
  • gpt-4o-mini-tts —— 智能实时应用的首选模型，支持高级语音控制，可以通过提示词控制多种语音特性：
    • 口音 (Accent)
    • 情感范围 (Emotional range)
    • 语调 (Intonation)
    • 印象/风格 (Impressions)
    • 语速 (Speed of speech)
    • 语调 (Tone)
    • 轻声说话 (Whispering)
  • tts-1-hd —— 高清音质的上一代 TTS 模型
  • tts-1 —— 标准 TTS 模型，平衡质量和速度

性能建议： 为获得最快的响应时间，建议使用 wav 或 pcm 作为响应格式。对于高质量音频，建议使用 tts-1-hd；对于更快的生成速度，使用 tts-1；对于智能语音应用，推荐使用 gpt-4o-mini-tts。

音色预览： 你可以在 OpenAI.fm 试听不同音色效果。

​
模型调用方式

​
标准 TTS 模型（tts-1, tts-1-hd）

使用 /v1/audio/speech 端点，通过 client.audio.speech.create() 方法调用。

​
gpt-4o-mini-tts 模型

使用 /v1/audio/speech 端点，支持 instructions 参数进行高级语音控制。

​
gpt-4o-audio-preview 模型

使用 /v1/chat/completions 端点，需要设置 modalities: ["text", "audio"] 和 audio 配置。

​
请求参数

​
标准 TTS 参数（适用于 tts-1, tts-1-hd, gpt-4o-mini-tts）

​
model
string
required

要使用的模型 ID。可选值：tts-1、tts-1-hd、gpt-4o-mini-tts

​
input
string
required

要生成音频的文本，最大长度为 4096 个字符

​
voice
string
required

用于合成的语音。可选值：alloy、echo、fable、onyx、nova、shimmer

​
response_format
string

音频输出格式。支持格式：mp3、opus、aac、flac、wav、pcm。默认为 mp3

​
speed
number

生成音频的语速。取值范围 0.25 到 4.0。默认为 1.0。注意：gpt-4o-mini-tts 不支持此参数，但你可以通过自然语言描述来控制语速

​
instructions
string

语音生成指令（仅适用于 gpt-4o-mini-tts 模型），可以详细指定语音风格、语调、情感等特性

​
gpt-4o-audio-preview 参数

​
model
string
required

设置为 gpt-4o-audio-preview

​
modalities
array
required

设置为 ["text", "audio"] 启用音频输出

​
audio
object
required

音频配置对象，包含 voice 和 format 字段

​
messages
array
required

聊天消息数组，与标准聊天格式相同

​
使用方法

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "The quick brown 🦊 jumped over the lazy dog.",
    "voice": "alloy"
  }' \
  --output speech.mp3