Skip to main content

CosyVoice HTTP API

API HTTP de synthèse vocale non temps réel CosyVoice : appels non streaming et SSE, paramètres des requêtes et champs des réponses.

Points de terminaison

Remplacez YOUR_WORKSPACE_ID par l’identifiant de l’espace de travail de la région et utilisez une clé API de cette même région.
  • Chine (Pékin)
POST https://YOUR_WORKSPACE_ID.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

En-têtes de requête

ParamètreTypeObligatoireDescription
AuthorizationstringObligatoireJeton d’authentification au format Bearer <your_api_key>.
Content-TypestringObligatoireDéfinissez la valeur sur application/json.
X-DashScope-SSEstringFacultatifDéfinissez la valeur sur enable pour le streaming. Sans cet en-tête, le résultat complet est renvoyé.

Exemples

  • Sans streaming
  • Streaming
curl -X POST "https://YOUR_WORKSPACE_ID.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "cosyvoice-v3-flash",
  "input": {
    "text": "我家的后面有一个很大的花园。",
    "voice": "longanyang",
    "format": "wav",
    "sample_rate": 24000
  }
}'
Un événement SSE peut contenir plusieurs lignes data:. Combinez toutes les lignes data: d’un événement avant d’analyser le JSON. Décodez en Base64 puis concaténez les blocs audio dans l’ordre des événements. La trame finale contient output.finish_reason=stop et renvoie l’URL de l’audio complet.

Corps de la requête

ParamètreTypeObligatoireValeur par défautDescription
modelstringObligatoire—Identifiant du modèle de synthèse vocale. Consultez les modèles et régions dans Synthèse vocale non temps réel.
inputobjectObligatoire—Objet contenant les paramètres d’entrée.
input.textstringObligatoire—Texte à synthétiser. Pour SSML, définissez enable_ssml=true. LaTeX ne nécessite aucun réglage supplémentaire. Consultez SSML et LaTeX pour le périmètre, les balises et la syntaxe.
input.voicestringObligatoire—Identifiant de voix. Consultez la liste des voix pour les voix système. Créez une voix personnalisée avec le clonage vocal ou la conception vocale, puis utilisez le modèle cible associé.
input.formatstringFacultatifmp3Encodage audio. Valeurs possibles : mp3, pcm, wav, opus.
input.sample_rateintegerFacultatif22050Fréquence d’échantillonnage en Hz. Valeurs possibles : 8000, 12000, 16000, 22050, 24000, 44100, 48000. Avec format=opus, seules les valeurs 8000, 12000, 16000, 24000, 48000 sont prises en charge.
input.volumeintegerFacultatif50Volume. Plage : [0, 100].
input.ratefloatFacultatif1.0Débit de parole. Plage : [0.5, 2.0].
input.bit_rateintegerFacultatif32Débit binaire audio en kbps. Plage : [6, 510]. Applicable uniquement avec format=opus.
input.pitchfloatFacultatif1.0Hauteur. Plage : [0.5, 2.0].
input.enable_ssmlbooleanFacultatif—Active ou non SSML. Consultez les limites d’utilisation pour les restrictions de modèle, de voix et d’interface.
input.word_timestamp_enabledbooleanFacultatiffalseRenvoie ou non les horodatages des mots. Streaming uniquement. Compatible avec les voix clonées de cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-flash, cosyvoice-v3-plus et cosyvoice-v2, et les voix système indiquées dans la liste des voix. Les voix clonées des autres modèles ne sont pas prises en charge.
input.seedintegerFacultatif0Graine aléatoire. Plage : [0, 65535]. Avec une version de modèle, un texte, une voix et les autres paramètres identiques, la même graine reproduit le même résultat.
input.language_hintsarray[string]Facultatif—Langue cible de la synthèse. Seul le premier élément du tableau est traité. Ce paramètre est indépendant de la langue source de l’échantillon de clonage. Utilisez-le si la prononciation des nombres, abréviations, symboles ou langues moins courantes ne convient pas. Les codes sont listés ci-dessous. Pour la langue source du clonage, consultez l’API de clonage vocal.
input.instructionstringFacultatif—Instruction contrôlant le dialecte, l’émotion ou le rôle. Consultez Contrôle par instructions pour les modèles, voix et méthodes compatibles.
input.enable_aigc_tagbooleanFacultatiffalseIntègre ou non un identifiant AIGC invisible dans l’audio WAV, MP3 ou Opus.Pris en charge uniquement par cosyvoice-v3-flash, cosyvoice-v3-plus et cosyvoice-v2.
input.aigc_propagatorstringFacultatifUID Alibaba CloudChamp ContentPropagator de l’identifiant, qui identifie le diffuseur. Applicable uniquement avec enable_aigc_tag=true.Pris en charge uniquement par cosyvoice-v3-flash, cosyvoice-v3-plus et cosyvoice-v2.
input.aigc_propagate_idstringFacultatifRequest ID de cette requêteChamp PropagateID de l’identifiant, qui identifie cette opération de diffusion. Applicable uniquement avec enable_aigc_tag=true.Pris en charge uniquement par cosyvoice-v3-flash, cosyvoice-v3-plus et cosyvoice-v2.
input.hot_fixobjectFacultatif—Correction du texte. pronunciation personnalise la prononciation des mots indiqués. replace remplace le texte indiqué avant la synthèse.Non pris en charge par cosyvoice-v2.
input.enable_markdown_filterbooleanFacultatiffalseFiltre ou non les marqueurs Markdown avant la synthèse. Uniquement pour les voix clonées de cosyvoice-v3-flash.

Codes de langue

  • zh: Chinois
  • en: Anglais
  • fr: Français
  • de: Allemand
  • ja: Japonais
  • ko: Coréen
  • ru: Russe
  • pt: Portugais
  • th: Thaï
  • id: Indonésien
  • vi: Vietnamien
  • es: Espagnol
  • it: Italien
  • ms: Malais
  • fil: Philippin
  • ar: Arabe
Exemple de configuration de correction du texte :
{
  "hot_fix": {
    "pronunciation": [
      {
        "天气": "tian1 qi4"
      }
    ],
    "replace": [
      {
        "今天": "金天"
      }
    ]
  }
}

Corps de la réponse

ParamètreTypeDescription
request_idstringIdentifiant unique de la requête.
outputobjectSortie du modèle.
output.finish_reasonstringMotif d’arrêt. null indique une synthèse en cours ; stop indique la fin.
output.typestringRenvoyé uniquement en streaming. sentence-begin marque le début d’une phrase ; sentence-synthesis marque un bloc audio, avec plusieurs blocs possibles par phrase ; sentence-end marque la fin et contient l’utilisation. Les blocs audio et les trames correspondent un à un. Ajoutez les blocs au même fichier dans l’ordre.
output.original_textstringPhrase issue de la segmentation du texte d’entrée. Ce champ peut être absent pour la dernière phrase.
output.sentenceobjectInformations sur la phrase.
output.sentence.indexintegerIndice de la phrase, à partir de 0.
output.sentence.wordsarrayMots de la phrase et leurs horodatages.
output.sentence.words[].textstringUn mot ou un caractère.
output.sentence.words[].begin_indexintegerPosition de début dans la phrase, à partir de 0.
output.sentence.words[].end_indexintegerPosition de fin dans la phrase, à partir de 1.
output.sentence.words[].begin_timeintegerHorodatage du début audio du mot, en millisecondes.
output.sentence.words[].end_timeintegerHorodatage de fin audio du mot, en millisecondes.
output.audioobjectAudio synthétisé.
output.audio.datastringBloc audio Base64 en streaming. Vide sans streaming.
output.audio.urlstringURL du fichier audio complet, valide pendant 24 heures.
output.audio.idstringIdentifiant de l’audio synthétisé.
output.audio.expires_atintegerHorodatage d’expiration de url.
usageobjectInformations d’utilisation.
usage.charactersintegerNombre cumulé de caractères facturables.
  • Sans streaming
  • Streaming
{
  "output": {
    "audio": {
      "data": "",
      "id": "audio_xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
      "expires_at": 1792079570,
      "url": "https://example.com/output.wav"
    },
    "finish_reason": "stop"
  },
  "usage": {
    "characters": 27
  },
  "request_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"
}