跳转到主要内容

​
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

​
OpenAI 模型

  • 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：
    1. 口音 (Accent)
    2. 情感范围 (Emotional range)
    3. 语调 (Intonation)
    4. 印象/风格 (Impressions)
    5. 语速 (Speed of speech)
    6. 语调 (Tone)
    7. 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

​
Gemini 模型

性能建议：
  1. 为获得最快的响应时间，建议使用 wav 或 pcm 作为响应格式
  2. 对于高质量音频，建议使用 tts-1-hd
  3. 对于更快的生成速度，使用 tts-1
  4. 对于智能语音应用，推荐使用 gpt-4o-mini-tts
  5. 对于需要多说话人对话的场景，推荐使用 Gemini TTS 模型

​
API 接口

​
请求地址

POST https://aihubmix.com/v1/audio/speech

​
请求头

Authorization: Bearer $AIHUBMIX_API_KEY
Content-Type: application/json

​
请求参数

​
标准 TTS 参数

标准参数适用于 tts-1, tts-1-hd, gpt-4o-mini-tts, gemini-2.5-flash-preview-tts 以及 gemini-2.5-pro-preview-tts。
参数类型必填说明
modelstring是要使用的模型 ID。可选值：tts-1、tts-1-hd、gpt-4o-mini-tts、gemini-2.5-flash-preview-tts、gemini-2.5-pro-preview-tts
inputstring是要生成音频的文本，最大长度为 4096 个字符
voicestring是用于合成的语音。见下方语音列表
response_formatstring否音频输出格式。支持的音频格式包括： mp3、 opus、 aac 、 flac、 wav、 pcm，默认使用 mp3 格式。注意：Gemini 模型仅支持 wav和 pcm 格式。
speednumber否生成音频的语速。取值范围 0.25 到 4.0，默认为1.0。注意： gpt-4o-mini-tts 和 Gemini 模型不支持此参数，但可以通过自然语言描述来控制语速。
instructionsstring否语音生成指令，可以详细指定语音风格、语调和情感等特性，仅适用于 gpt-4o-mini-tts 和 Gemini 模型。

​
gpt-4o-audio-preview 参数

参数类型必填说明
modelstring是设置为 gpt-4o-audio-preview
modalitiesarray是设置为 ["text", "audio"] 启用音频输出
audioobject是音频配置对象，包含 voice 和 format 字段
messagesarray是聊天消息数组，与标准聊天格式相同

​
语音列表

​
OpenAI 语音

支持以下语音选项：
  • alloy - 中性、平衡
  • ash - 清晰、专业
  • ballad - 温暖、叙事性
  • coral - 友好、平易近人
  • echo - 清晰、明亮
  • fable - 富有表现力、戏剧性
  • onyx - 深沉、权威
  • nova - 活泼、充满活力
  • sage - 成熟、知识渊博
  • shimmer - 柔和、舒缓
  • verse - 清晰、多才多艺
  • marin - 自然、友好
  • cedar - 稳定、可靠

​
Gemini 语音

支持以下 30 种语音选项：
语音名称风格语音名称风格语音名称风格
ZephyrBrightPuckUpbeatCharonInformative
KoreFirmFenrirExcitableLedaYouthful
OrusFirmAoedeBreezyCallirrhoeEasy-going
AutonoeBrightEnceladusBreathyIapetusClear
UmbrielEasy-goingAlgiebaSmoothDespinaSmooth
ErinomeClearAlgenibGravellyRasalgethiInformative
LaomedeiaUpbeatAchernarSoftAlnilamFirm
SchedarEvenGacruxMaturePulcherrimaForward
AchirdFriendlyZubenelgenubiCasualVindemiatrixGentle
SadachbiaLivelySadaltagerKnowledgeableSulafatWarm

​
语音映射

当使用 Gemini 模型时，如果传入 OpenAI 语音名称，系统会自动映射到对应的 Gemini 语音：
OpenAI 语音Gemini 语音OpenAI 语音Gemini 语音
alloyKoreashFenrir
balladAoedecoralLeda
echoPuckfableZephyr
onyxCharonnovaOrus
sageAlgiebashimmerCallirrhoe
verseEnceladusmarinDespina
cedarIapetus

​
使用示例

​
标准 TTS 模型（OpenAI）

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 fox jumped over the lazy dog.",
    "voice": "alloy"
  }' \
  --output speech.mp3

​
Gemini TTS 模型（单说话人）

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-2.5-flash-preview-tts",
    "input": "Say cheerfully: Have a wonderful day!",
    "voice": "Kore",
    "response_format": "wav"
  }' \
  --output speech.wav

​
Gemini TTS 模型（多说话人 - 通过提示词控制）

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-2.5-flash-preview-tts",
    "input": "TTS the following conversation between Joe and Jane:\nJoe: How'\''s it going today Jane?\nJane: Not too bad, how about you?",
    "voice": "Kore",
    "response_format": "wav",
    "instructions": "Joe should sound firm and professional, Jane should sound upbeat and friendly"
  }' \
  --output conversation.wav

​
Python 示例（OpenAI SDK）

from openai import OpenAI

client = OpenAI(
    api_key="your-aihubmix-api-key",
    base_url="https://aihubmix.com/v1"
)

response = client.audio.speech.create(
    model="tts-1",
    voice="alloy",
    input="The quick brown fox jumped over the lazy dog."
)

response.stream_to_file("speech.mp3")

​
Python 示例（Gemini TTS）

from openai import OpenAI

client = OpenAI(
    api_key="your-aihubmix-api-key",
    base_url="https://aihubmix.com/v1"
)

# 单说话人
response = client.audio.speech.create(
    model="gemini-2.5-flash-preview-tts",
    voice="Kore",
    input="Say cheerfully: Have a wonderful day!",
    extra_body={
        "response_format": "wav"
    }
)

response.stream_to_file("speech.wav")

# 多说话人对话
conversation_response = client.audio.speech.create(
    model="gemini-2.5-flash-preview-tts",
    voice="Kore",
    input="""TTS the following conversation between Joe and Jane:
    Joe: How's it going today Jane?
    Jane: Not too bad, how about you?""",
    extra_body={
        "response_format": "wav",
        "instructions": "Joe should sound firm, Jane should sound upbeat"
    }
)

conversation_response.stream_to_file("conversation.wav")

​
控制语音风格（Gemini 模型）

Gemini TTS 模型支持通过自然语言提示词来控制语音的风格、语调、口音和语速。您可以在 input 或 instructions 参数中提供指导。

​
单说话人风格控制

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Say in a spooky whisper: By the pricking of my thumbs... Something wicked this way comes",
  "voice": "Enceladus",
  "response_format": "wav"
}

​
多说话人风格控制

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Speaker1: So... what's on the agenda today?\nSpeaker2: You're never going to guess!",
  "voice": "Kore",
  "response_format": "wav",
  "instructions": "Make Speaker1 sound tired and bored, and Speaker2 sound excited and happy"
}

​
提示词结构建议

为了获得最佳效果，可以使用以下结构化的提示词格式： 
{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Your transcript here",
  "voice": "Kore",
  "instructions": "# AUDIO PROFILE: Character Name\n## Role Description\n\n## THE SCENE: Scene Name\nDescribe the environment and mood\n\n### DIRECTOR'S NOTES\nStyle: Describe the style\nPacing: Describe the pacing\nAccent: Specify the accent"
}

​
支持的语言

TTS 模型自动检测输入语言。支持以下 24 种语言：
语言BCP-47 代码语言BCP-47 代码
阿拉伯语（埃及）ar-EG德语（德国）de-DE
英语（美国）en-US西班牙语（美国）es-US
法语（法国）fr-FR印地语（印度）hi-IN
印尼语（印尼）id-ID意大利语（意大利）it-IT
日语（日本）ja-JP韩语（韩国）ko-KR
葡萄牙语（巴西）pt-BR俄语（俄罗斯）ru-RU
荷兰语（荷兰）nl-NL波兰语（波兰）pl-PL
泰语（泰国）th-TH土耳其语（土耳其）tr-TR
越南语（越南）vi-VN罗马尼亚语（罗马尼亚）ro-RO
乌克兰语（乌克兰）uk-UA孟加拉语（孟加拉国）bn-BD
英语（印度）en-IN & hi-IN马拉地语（印度）mr-IN
泰米尔语（印度）ta-IN泰卢固语（印度）te-IN

​
响应格式

​
音频格式

格式Content-Type说明模型支持
mp3audio/mpeg默认格式，广泛兼容OpenAI 模型
opusaudio/opus适合互联网流媒体OpenAI 模型
aacaudio/aac数字音频压缩OpenAI 模型
flacaudio/flac无损音频压缩OpenAI 模型
wavaudio/wav未压缩的 WAV 音频所有模型
pcmaudio/pcm原始 PCM 音频（24kHz, 单声道, 16-bit）所有模型
注意： Gemini 模型原生返回 PCM 格式（24kHz, 单声道, 16-bit），系统会自动转换为 WAV 格式。如需其他格式，建议使用 OpenAI 模型。

​
响应体

成功时返回音频流（二进制数据），Content-Type 根据 response_format 参数设置。 失败时返回 JSON 错误信息： 
{
  "error": {
    "message": "错误描述",
    "type": "error_type",
    "code": "error_code"
  }
}

​
计费说明

TTS API 按字符数计费：
  • 输入文本的字符数作为计费单位
  • 不同模型有不同的价格倍率
  • 最大输入长度：4096 字符

​
限制说明

  • 最大输入长度：4096 个字符
  • Gemini TTS 模型仅支持 wav 和 pcm 输出格式
  • Gemini TTS 模型不支持 speed 参数（可通过提示词控制）
  • 上下文窗口限制：32k tokens（Gemini 模型）

​
常见问题

​
Q: 如何选择合适的模型？

  • 需要快速生成 → tts-1 或 gemini-2.5-flash-preview-tts
  • 需要高质量音频 → tts-1-hd
  • 需要智能语音控制 → gpt-4o-mini-tts 或 Gemini TTS 模型
  • 需要多说话人对话 → Gemini TTS 模型

​
Q: Gemini TTS 和 OpenAI TTS 有什么区别？

  • Gemini TTS: 支持通过自然语言提示词控制语音风格，支持多说话人，但仅支持 WAV/PCM 格式
  • OpenAI TTS: 支持多种音频格式，有固定的语音选项，速度可通过参数控制

​
Q: 如何实现多说话人对话？

使用 Gemini TTS 模型，在 input 中使用对话格式，并在 instructions 中为每个说话人指定风格： 
{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Speaker1: Hello!\nSpeaker2: Hi there!",
  "instructions": "Speaker1 should sound professional, Speaker2 should sound casual"
}

​
Q: 支持流式输出吗？

目前 TTS API 返回完整的音频文件，不支持流式输出。