seed-audio-1.0语音合成 API 文档

概述

语音合成接口支持将文本转换为高质量音频，支持情感风格描述、参考音频克隆、图片驱动合成等能力。单次请求最长可合成 120 秒音频，响应为音频二进制流。

接口信息

项目	内容
请求地址	`POST /v1/tts/create`
Content-Type	`application/json`
鉴权方式	`Authorization: Bearer <API_KEY>`

请求参数

顶层字段

字段	类型	必填	说明
`model`	string	是	模型名称，当前支持 `seed-audio-1.0`
`text_prompt`	string	是	待合成的文本内容，支持情感描述和角色指令前缀
`speaker`	string	否	音色名称。与 `audio_data`、`audio_url` 同传时不报错，上游按优先级处理
`audio_data`	string	否	参考音频的 Base64 编码
`audio_url`	string	否	参考音频的 URL 地址（需公网可达）
`image_data`	string	否	参考图片的 Base64 编码
`image_url`	string	否	参考图片的 URL 地址
`references`	array	否	参考资源列表，支持多个参考音频/图片，见下方说明
`audio_config`	object	否	音频输出配置，见下方说明
`watermark`	object	否	水印配置，见下方说明

audio_config 字段

字段	类型	说明	默认值
`format`	string	输出格式：`mp3` / `wav` / `pcm` / `ogg_opus` / `flac`	`mp3`
`sample_rate`	int	采样率（Hz），如 16000 / 24000 / 44100 / 48000	随格式而定（wav 约 40000Hz，ogg 约 48000Hz）
`speech_rate`	int	语速调整，范围 `[-50, 100]`，0 表示不调整	0
`loudness_rate`	int	音量调整，范围 `[-50, 100]`，0 表示不调整	0
`pitch_rate`	int	音调调整，范围 `[-12, 12]`，0 表示不调整	0
`enable_subtitle`	bool	是否返回字幕信息（需上游账号开通字幕权限）	false

references 列表项字段

字段	类型	说明
`speaker`	string	指定音色名称
`audio_data`	string	参考音频 Base64
`audio_url`	string	参考音频 URL
`image_data`	string	参考图片 Base64
`image_url`	string	参考图片 URL

watermark 字段

字段	类型	说明
`aigc_watermark`	bool	是否在音频尾部添加节奏标识水印
`aigc_metadata`	object	隐式水印元数据，含 `enable`、`content_producer`、`produce_id` 等字段

响应

成功响应

接口成功时响应体直接为音频二进制流（非 JSON 包装），需以文件方式保存。

响应头	说明
`Content-Type`	`audio/mpeg`（mp3）/ `audio/wav` / `audio/pcm` / `audio/ogg` 等
`X-Subtitle`	仅当 `enable_subtitle=true` 且上游返回字幕时出现，值为字幕 JSON 的 Base64 编码

字幕解码示例（Python）：

错误响应

{
  "error": {
    "message": "错误描述（中文）",
    "type": "moyu_api_error",
    "code": "错误代码"
  }
}

常见错误码：

HTTP 状态	code	说明
400	`invalid_request`	缺少必填字段（如 `text_prompt`）
401	—（code 为空）	令牌无效或未提供
503	`model_not_found`	模型名称不存在或所在分组无可用渠道

计费说明

计费单位：元/分钟，按官方返回的实际音频时长秒级折算

计算公式：费用 = 单价（元/分钟）× 音频时长（秒）÷ 60

单次上限：120 秒（超出会被官方拒绝）

注意：若传入无效音色名（speaker）或无效参考 URL（audio_url），上游不会报错，而是静默回退到默认音色正常合成，并照常计费。请确认参考资源有效后再发起请求，避免非预期扣费。

注意事项

响应格式：成功时响应体为音频二进制，需以 --output 保存文件，不可直接解析为 JSON。

默认格式：不传 audio_config 时默认返回 mp3；sample_rate 默认值随格式而定，如需精确控制请显式传值。

音色与参考：speaker、audio_data、audio_url 可以同传，上游按优先级处理，不会报错。建议只传一种以避免歧义。

合成耗时：接口为非流式同步响应，合成完毕才返回，p50 约 12 秒。长文本（500 字以上）预计耗时更长，建议分段合成并根据业务调整超时配置。

单次时长上限：单次请求最长 120 秒，超出此时长请拆分文本分次合成。

字幕功能：传入 enable_subtitle: true 时，若官方账号已开通字幕权限，字幕数据会通过响应头 X-Subtitle 返回（Base64 编码的 JSON）；若账号未开通，该字段不会出现。

示例

基础文本合成

带情感描述的合成

text_prompt 支持在文本前加入环境音、情绪、风格等描述：

seed-audio-1.0语音合成 API 文档

概述

接口信息

请求参数

顶层字段

audio_config 字段

references 列表项字段

watermark 字段

响应

成功响应

错误响应

计费说明

注意事项

示例

基础文本合成

带情感描述的合成

调整语速和音量

参考音频克隆（Base64）

开启字幕

seed-audio-1.0语音合成 API 文档

概述#

接口信息#

请求参数#

顶层字段#

audio_config 字段#

references 列表项字段#

watermark 字段#

响应#

成功响应#

错误响应#

计费说明#

注意事项#

示例#

基础文本合成#

带情感描述的合成#

调整语速和音量#

参考音频克隆（Base64）#

开启字幕#

概述

接口信息

请求参数

顶层字段

audio_config 字段

references 列表项字段

watermark 字段

响应

成功响应

错误响应

计费说明

注意事项

示例

基础文本合成

带情感描述的合成

调整语速和音量

参考音频克隆（Base64）

开启字幕