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/SpeechSynthesizerCabeçalhos da requisição
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
Authorization | string | Obrigatório | Token de autenticação no formato Bearer <your_api_key>. |
Content-Type | string | Obrigatório | Defina como application/json. |
X-DashScope-SSE | string | Opcional | Defina como enable para streaming. Se omitido, o resultado completo será retornado. |
Exemplos
- Sem streaming
- Streaming
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
| Parâmetro | Tipo | Obrigatório | Padrão | Descrição |
|---|---|---|---|---|
model | string | Obrigatório | — | ID do modelo de síntese de fala. Consulte os modelos e regiões em Síntese de fala não em tempo real. |
input | object | Obrigatório | — | Objeto de parâmetros de entrada. |
input.text | string | Obrigatório | — | 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.voice | string | Obrigatório | — | 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.format | string | Opcional | mp3 | Codificação do áudio. Valores: mp3, pcm, wav, opus. |
input.sample_rate | integer | Opcional | 22050 | Taxa de amostragem em Hz. Valores: 8000, 12000, 16000, 22050, 24000, 44100, 48000. Com format=opus, apenas 8000, 12000, 16000, 24000, 48000 são aceitos. |
input.volume | integer | Opcional | 50 | Volume. Intervalo: [0, 100]. |
input.rate | float | Opcional | 1.0 | Velocidade da fala. Intervalo: [0.5, 2.0]. |
input.bit_rate | integer | Opcional | 32 | Taxa de bits do áudio em kbps. Intervalo: [6, 510]. Válido apenas com format=opus. |
input.pitch | float | Opcional | 1.0 | Tom. Intervalo: [0.5, 2.0]. |
input.enable_ssml | boolean | Opcional | — | Se SSML deve ser ativado. Consulte Limites de uso para restrições de modelos, vozes e interfaces. |
input.word_timestamp_enabled | boolean | Opcional | false | Se 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.seed | integer | Opcional | 0 | Semente aleatória. Intervalo: [0, 65535]. Com a mesma versão do modelo, texto, voz e outros parâmetros, a mesma semente reproduz o mesmo resultado. |
input.language_hints | array[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.instruction | string | Opcional | — | Instrução que controla dialeto, emoção ou papel. Consulte Controle por instruções para modelos, vozes e uso. |
input.enable_aigc_tag | boolean | Opcional | false | Se 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_propagator | string | Opcional | UID do Alibaba Cloud | Campo 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_id | string | Opcional | Request ID desta requisição | Campo 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_fix | object | Opcional | — | 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_filter | boolean | Opcional | false | Se os marcadores Markdown devem ser filtrados antes da síntese. Compatível apenas com vozes clonadas de cosyvoice-v3-flash. |
Códigos de idioma
zh: Chinêsen: Inglêsfr: Francêsde: Alemãoja: Japonêsko: Coreanoru: Russopt: Portuguêsth: Tailandêsid: Indonésiovi: Vietnamitaes: Espanholit: Italianoms: Malaiofil: Filipinoar: Árabe
Corpo da resposta
| Parâmetro | Tipo | Descrição |
|---|---|---|
request_id | string | Identificador exclusivo da requisição. |
output | object | Saída do modelo. |
output.finish_reason | string | Motivo da parada. null indica síntese em andamento; stop indica conclusão. |
output.type | string | Retornado 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_text | string | Frase obtida da segmentação do texto de entrada. Pode estar ausente na última frase. |
output.sentence | object | Informações da frase. |
output.sentence.index | integer | Índice da frase, começando em 0. |
output.sentence.words | array | Palavras da frase e seus carimbos de tempo. |
output.sentence.words[].text | string | Uma palavra ou um caractere. |
output.sentence.words[].begin_index | integer | Posição inicial na frase, começando em 0. |
output.sentence.words[].end_index | integer | Posição final na frase, começando em 1. |
output.sentence.words[].begin_time | integer | Carimbo de tempo do início do áudio da palavra, em milissegundos. |
output.sentence.words[].end_time | integer | Carimbo de tempo do final do áudio da palavra, em milissegundos. |
output.audio | object | Áudio sintetizado. |
output.audio.data | string | Bloco de áudio Base64 para streaming. Vazio sem streaming. |
output.audio.url | string | URL do arquivo de áudio completo, válida por 24 horas. |
output.audio.id | string | Identificador do áudio sintetizado. |
output.audio.expires_at | integer | Carimbo de tempo de expiração de url. |
usage | object | Informações de uso. |
usage.characters | integer | Caracteres faturáveis acumulados. |
- Sem streaming
- Streaming