Skip to main content

CosyVoice HTTP API

API HTTP de síntese de fala não em tempo real do CosyVoice, com chamadas sem streaming e SSE, parâmetros de requisição e campos de resposta.

Endpoints

Substitua YOUR_WORKSPACE_ID pelo ID do workspace da região e use uma chave de API da mesma região.
  • China (Pequim)
POST https://YOUR_WORKSPACE_ID.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

Cabeçalhos da requisição

ParâmetroTipoObrigatórioDescrição
AuthorizationstringObrigatórioToken de autenticação no formato Bearer <your_api_key>.
Content-TypestringObrigatórioDefina como application/json.
X-DashScope-SSEstringOpcionalDefina como enable para streaming. Se omitido, o resultado completo será retornado.

Exemplos

  • Sem 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
  }
}'
Um evento SSE pode conter várias linhas data:. Combine todas as linhas data: do evento antes de analisar o JSON. Decodifique os blocos em Base64 e concatene-os na ordem dos eventos. O quadro final tem output.finish_reason=stop e retorna a URL do áudio completo.

Corpo da requisição

ParâmetroTipoObrigatórioPadrãoDescrição
modelstringObrigatório—ID do modelo de síntese de fala. Consulte os modelos e regiões em Síntese de fala não em tempo real.
inputobjectObrigatório—Objeto de parâmetros de entrada.
input.textstringObrigatório—Texto a sintetizar. Para SSML, defina enable_ssml=true. A entrada LaTeX não exige outra configuração. Consulte SSML e LaTeX para escopo, tags e sintaxe.
input.voicestringObrigatório—ID da voz. Para vozes do sistema, consulte a lista de vozes. Crie uma voz personalizada com clonagem de voz ou design de voz e use o modelo de destino vinculado.
input.formatstringOpcionalmp3Codificação do áudio. Valores: mp3, pcm, wav, opus.
input.sample_rateintegerOpcional22050Taxa de amostragem em Hz. Valores: 8000, 12000, 16000, 22050, 24000, 44100, 48000. Com format=opus, apenas 8000, 12000, 16000, 24000, 48000 são aceitos.
input.volumeintegerOpcional50Volume. Intervalo: [0, 100].
input.ratefloatOpcional1.0Velocidade da fala. Intervalo: [0.5, 2.0].
input.bit_rateintegerOpcional32Taxa de bits do áudio em kbps. Intervalo: [6, 510]. Válido apenas com format=opus.
input.pitchfloatOpcional1.0Tom. Intervalo: [0.5, 2.0].
input.enable_ssmlbooleanOpcional—Se SSML deve ser ativado. Consulte Limites de uso para restrições de modelos, vozes e interfaces.
input.word_timestamp_enabledbooleanOpcionalfalseSe os carimbos de tempo por palavra devem ser retornados. Apenas streaming. Aceita vozes clonadas de cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-flash, cosyvoice-v3-plus, cosyvoice-v2 e vozes do sistema indicadas na lista de vozes. Não aceita vozes clonadas de outros modelos.
input.seedintegerOpcional0Semente aleatória. Intervalo: [0, 65535]. Com a mesma versão do modelo, texto, voz e outros parâmetros, a mesma semente reproduz o mesmo resultado.
input.language_hintsarray[string]Opcional—Idioma de destino da síntese. Apenas o primeiro elemento do array é processado. Não depende do idioma de origem da amostra de clonagem. Use quando a pronúncia de números, abreviações, símbolos ou idiomas menos comuns não for adequada. Os códigos estão abaixo. Para o idioma de origem da clonagem, consulte a API de clonagem de voz.
input.instructionstringOpcional—Instrução que controla dialeto, emoção ou papel. Consulte Controle por instruções para modelos, vozes e uso.
input.enable_aigc_tagbooleanOpcionalfalseSe deve incorporar um identificador AIGC invisível no áudio WAV, MP3 ou Opus.Compatível apenas com cosyvoice-v3-flash, cosyvoice-v3-plus e cosyvoice-v2.
input.aigc_propagatorstringOpcionalUID do Alibaba CloudCampo ContentPropagator do identificador, que identifica o distribuidor. Válido apenas com enable_aigc_tag=true.Compatível apenas com cosyvoice-v3-flash, cosyvoice-v3-plus e cosyvoice-v2.
input.aigc_propagate_idstringOpcionalRequest ID desta requisiçãoCampo PropagateID do identificador, que identifica esta operação de distribuição. Válido apenas com enable_aigc_tag=true.Compatível apenas com cosyvoice-v3-flash, cosyvoice-v3-plus e cosyvoice-v2.
input.hot_fixobjectOpcional—Configuração de correção de texto. pronunciation personaliza a pronúncia de palavras indicadas. replace substitui o texto indicado antes da síntese.Não é compatível com cosyvoice-v2.
input.enable_markdown_filterbooleanOpcionalfalseSe os marcadores Markdown devem ser filtrados antes da síntese. Compatível apenas com vozes clonadas de cosyvoice-v3-flash.

Códigos de idioma

  • zh: Chinês
  • en: Inglês
  • fr: Francês
  • de: Alemão
  • ja: Japonês
  • ko: Coreano
  • ru: Russo
  • pt: Português
  • th: Tailandês
  • id: Indonésio
  • vi: Vietnamita
  • es: Espanhol
  • it: Italiano
  • ms: Malaio
  • fil: Filipino
  • ar: Árabe
Exemplo de configuração de correção de texto:
{
  "hot_fix": {
    "pronunciation": [
      {
        "天气": "tian1 qi4"
      }
    ],
    "replace": [
      {
        "今天": "金天"
      }
    ]
  }
}

Corpo da resposta

ParâmetroTipoDescrição
request_idstringIdentificador exclusivo da requisição.
outputobjectSaída do modelo.
output.finish_reasonstringMotivo da parada. null indica síntese em andamento; stop indica conclusão.
output.typestringRetornado apenas em streaming. sentence-begin marca o início da frase; sentence-synthesis marca um bloco de áudio, com vários blocos possíveis por frase; sentence-end marca o final e inclui o uso. Blocos de áudio e quadros de dados correspondem um a um. Acrescente os blocos ao mesmo arquivo na ordem.
output.original_textstringFrase obtida da segmentação do texto de entrada. Pode estar ausente na última frase.
output.sentenceobjectInformações da frase.
output.sentence.indexintegerÍndice da frase, começando em 0.
output.sentence.wordsarrayPalavras da frase e seus carimbos de tempo.
output.sentence.words[].textstringUma palavra ou um caractere.
output.sentence.words[].begin_indexintegerPosição inicial na frase, começando em 0.
output.sentence.words[].end_indexintegerPosição final na frase, começando em 1.
output.sentence.words[].begin_timeintegerCarimbo de tempo do início do áudio da palavra, em milissegundos.
output.sentence.words[].end_timeintegerCarimbo de tempo do final do áudio da palavra, em milissegundos.
output.audioobjectÁudio sintetizado.
output.audio.datastringBloco de áudio Base64 para streaming. Vazio sem streaming.
output.audio.urlstringURL do arquivo de áudio completo, válida por 24 horas.
output.audio.idstringIdentificador do áudio sintetizado.
output.audio.expires_atintegerCarimbo de tempo de expiração de url.
usageobjectInformações de uso.
usage.charactersintegerCaracteres faturáveis acumulados.
  • Sem 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"
}