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/SpeechSynthesizerEn-têtes de requête
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
Authorization | string | Obligatoire | Jeton d’authentification au format Bearer <your_api_key>. |
Content-Type | string | Obligatoire | Définissez la valeur sur application/json. |
X-DashScope-SSE | string | Facultatif | Définissez la valeur sur enable pour le streaming. Sans cet en-tête, le résultat complet est renvoyé. |
Exemples
- Sans streaming
- Streaming
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
| Paramètre | Type | Obligatoire | Valeur par défaut | Description |
|---|---|---|---|---|
model | string | Obligatoire | — | Identifiant du modèle de synthèse vocale. Consultez les modèles et régions dans Synthèse vocale non temps réel. |
input | object | Obligatoire | — | Objet contenant les paramètres d’entrée. |
input.text | string | Obligatoire | — | 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.voice | string | Obligatoire | — | 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.format | string | Facultatif | mp3 | Encodage audio. Valeurs possibles : mp3, pcm, wav, opus. |
input.sample_rate | integer | Facultatif | 22050 | Fréquence 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.volume | integer | Facultatif | 50 | Volume. Plage : [0, 100]. |
input.rate | float | Facultatif | 1.0 | Débit de parole. Plage : [0.5, 2.0]. |
input.bit_rate | integer | Facultatif | 32 | Débit binaire audio en kbps. Plage : [6, 510]. Applicable uniquement avec format=opus. |
input.pitch | float | Facultatif | 1.0 | Hauteur. Plage : [0.5, 2.0]. |
input.enable_ssml | boolean | Facultatif | — | Active ou non SSML. Consultez les limites d’utilisation pour les restrictions de modèle, de voix et d’interface. |
input.word_timestamp_enabled | boolean | Facultatif | false | Renvoie 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.seed | integer | Facultatif | 0 | Graine 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_hints | array[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.instruction | string | Facultatif | — | Instruction contrôlant le dialecte, l’émotion ou le rôle. Consultez Contrôle par instructions pour les modèles, voix et méthodes compatibles. |
input.enable_aigc_tag | boolean | Facultatif | false | Intègre 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_propagator | string | Facultatif | UID Alibaba Cloud | Champ 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_id | string | Facultatif | Request ID de cette requête | Champ 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_fix | object | Facultatif | — | 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_filter | boolean | Facultatif | false | Filtre ou non les marqueurs Markdown avant la synthèse. Uniquement pour les voix clonées de cosyvoice-v3-flash. |
Codes de langue
zh: Chinoisen: Anglaisfr: Françaisde: Allemandja: Japonaisko: Coréenru: Russept: Portugaisth: Thaïid: Indonésienvi: Vietnamienes: Espagnolit: Italienms: Malaisfil: Philippinar: Arabe
Corps de la réponse
| Paramètre | Type | Description |
|---|---|---|
request_id | string | Identifiant unique de la requête. |
output | object | Sortie du modèle. |
output.finish_reason | string | Motif d’arrêt. null indique une synthèse en cours ; stop indique la fin. |
output.type | string | Renvoyé 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_text | string | Phrase issue de la segmentation du texte d’entrée. Ce champ peut être absent pour la dernière phrase. |
output.sentence | object | Informations sur la phrase. |
output.sentence.index | integer | Indice de la phrase, à partir de 0. |
output.sentence.words | array | Mots de la phrase et leurs horodatages. |
output.sentence.words[].text | string | Un mot ou un caractère. |
output.sentence.words[].begin_index | integer | Position de début dans la phrase, à partir de 0. |
output.sentence.words[].end_index | integer | Position de fin dans la phrase, à partir de 1. |
output.sentence.words[].begin_time | integer | Horodatage du début audio du mot, en millisecondes. |
output.sentence.words[].end_time | integer | Horodatage de fin audio du mot, en millisecondes. |
output.audio | object | Audio synthétisé. |
output.audio.data | string | Bloc audio Base64 en streaming. Vide sans streaming. |
output.audio.url | string | URL du fichier audio complet, valide pendant 24 heures. |
output.audio.id | string | Identifiant de l’audio synthétisé. |
output.audio.expires_at | integer | Horodatage d’expiration de url. |
usage | object | Informations d’utilisation. |
usage.characters | integer | Nombre cumulé de caractères facturables. |
- Sans streaming
- Streaming