minimax-speech

model

string

是

请求的模型版本，可选范围：

speech-2.8-hd

speech-2.6-hd

speech-02-hd

speech-2.8-turbo

speech-2.6-turbo

speech-02-turbo

text

string

是

需要合成语音的文本，长度限制小于10000字符，若文本长度大于3000字符，推荐使用流式输出

•段落切换用换行符标记

•停顿控制：支持自定义文本之间的语音时间间隔，以实现自定义文本语音停顿时间的效果。使用方式：在文本中增加<#x#>标记， x 为停顿时长（单位：秒），范围 [0.01, 99.99] ，最多保留两位小数。文本间隔时间需设置在两个可以语音发音的文本之间，不可连续使用多个停顿标记

•语气词标签：仅当模型选择 speech-2.8-hd, speech-2.8-turbo时，支持在文本中插入语气词标签。支持的语气词： (laughs)（笑声）、 (chuckle)（轻笑）、 (coughs)（咳嗽）、 (clear-throat)（清嗓子）、 (groans)（呻吟）、 (breath)（正常换气）、 (pant)（喘气）、 (inhale)（吸气）、 (exhale)（呼气）、 (gasps)（倒吸气）、 (sniffs)（吸鼻子）、 (sighs)（叹气）、 (snorts)（喷鼻息）、 (burps)（打嗝）、 (lip-smacking)（咂嘴）、 (humming)（哼唱）、 (hissing)（嘶嘶声）、 (emm)（嗯）、 (sneezes)（喷嚏）

stream

boolean

否

控制是否流式输出。默认 false ，即不开启流式

stream_options

object

否

stream输出控制

stream_options.

exclude_aggregated_audio

boolean

否

设置最后一个 chunk 是否包含拼接后的语音 hex 数据。默认值为 False ，即最后一个 chunk 中包含拼接后的完整语音 hex 数据

voice_setting

object

否

声音设置

voice_setting.voice_id

string

否

合成音频的音色编号。若需要设置混合音色，请设置 timbre_weights 参数，本参数设置为空值。支持系统音色、复刻音色以及文生音色三种类型，音色ID可查看系统音色列表

voice_setting.speed

float

否

合成音频的语速，取值越大，语速越快。取值范围 [0.5,2] ，默认值为1.0

voice_setting.vol

float

否

合成音频的音量，取值越大，音量越高。取值范围 (0,10] ，默认值为 1.0

voice_setting.pitch

int

否

合成音频的语调，取值范围 [-12,12] ，默认值为 0 ，其中 0 为原音色输出

voice_setting.emotion

enum

否

控制合成语音的情绪，参数范围 ["happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent", "whisper"] ，分别对应 8 种情绪： 高兴，悲伤，愤怒，害怕，厌恶，惊讶，中性，生动，低语

选项 fluent, whisper 仅对 speech-2.6-hd, speech-2.6-turbo 模型生效， speech-2.8-hd, speech-2.8-turbo 模型不支持 whisper

voice_setting.text_normalization

boolean

否

是否启用中文、英语文本规范化，开启后可提升数字阅读场景的性能，但会略微增加延迟，默认值为 false

voice_setting.latex_read

boolean

否

控制是否朗读 latex 公式，默认为 false

•仅支持中文，开启该参数后， language_boost 参数会被设置为 Chinese

•请求中的公式需要在公式的首尾加上 $$

•请求中公式若有 "" ，需转义成 "\".

audio_setting

object

否

音频设置

audio_setting.sample_rate

int

否

生成音频的采样率。可选范围[8000，16000，22050，24000，32000，44100] ，默认为 32000

audio_setting.bitrate

int

否

生成音频的比特率。可选范围 [32000，64000，128000，256000] ，默认值为 128000 。该参数仅对 mp3 格式的音频生效

audio_setting.format

enum

否

生成音频的格式，默认值: mp3。

• wav 仅在非流式输出下支持。

•可用选项: mp3, pcm, flac, wav

audio_setting.channel

int

否

生成音频的声道数。可选范围： [1,2] ，其中 1 为单声道， 2 为双声道，默认值为 1

audio_setting.force_cbr

boolean

否

对于音频恒定比特率（cbr）控制，可选 false、 true 。当此参数设置为true ，将以恒定比特率方式进行音频编码。

注意：本参数仅当音频设置为流式输出，且音频格式为 mp3 时生效。

pronunciation_dict

object

否

声调

pronunciation_dict.tone

string[]

否

定义需要特殊标注的文字或符号对应的注音或发音替换规则。在中文文本中，声调用数字表示：

一声为 1，二声为 2，三声为 3，四声为 4，轻声为 5

示例如下：

["燕少飞/(yan4)(shao3)(fei1)", "omg/oh my god"]

timber_weights

object[]

否

音色比重

timber_weights.voice_id

string

是

合成音频的音色编号，须和weight参数同步填写。支持系统音色、复刻音色以及文生音色三种类型。系统支持的全部音色可查看 系统音色列表

timber_weights.weight

int

是

合成音频各音色所占的权重，须与 voice_id 同步填写。可选值范围为[1, 100] ，最多支持 4 种音色混合，单一音色取值占比越高，合成音色与该音色相似度越高.

language_boost

enum

否

是否增强对指定的小语种和方言的识别能力。默认值为 null ，可设置为 auto 让模型自主判断。 可用选项: Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto

voice_modify

object

否

声音效果器设置，该参数支持的音频格式：

非流式：mp3, wav, flac

流式：mp3

voice_modify.pitch

int

否

音高调整（低沉/明亮），范围 [-100,100] ，数值接近 -100 ，声音更低沉；接近 100 ，声音更明亮

voice_modify.intensity

int

否

强度调整（力量感/柔和），范围 [-100,100] ，数值接近 -100 ，声音更刚劲；接近 100 ，声音更轻柔

voice_modify.timbre

int

否

音色调整（磁性/清脆），范围 [-100,100] ，数值接近 -100 ，声音更浑厚；数值接近 100 ，声音更清脆

voice_modify.sound_effects

enum

否

音效设置，单次仅能选择一种，可选值：

spacious_echo （空旷回音）

auditorium_echo （礼堂广播）

lofi_telephone （电话失真）

robotic （电音）

subtitle_enable

boolean

否

控制是否开启字幕服务，默认值为 false 。此参数仅在非流式输出场景下有效

output_format

enum

否

控制输出结果形式的参数，可选值范围为[url, hex] ，默认值为hex 。该参数仅在非流式场景生效，流式场景仅支持返回 hex 形式。返回的 url 有效期为 24 小时

aigc_watermark

bool

否

控制在合成音频的末尾添加音频节奏标识，默认值为 false 。该参数仅对非流式合成生效

data

object

返回的合成数据对象，可能为 null，需进行非空判断

data.audio

string

合成后的音频数据，采用 hex 编码，格式与请求中指定的输出格式一致

data.subtitle_file

string

合成的字幕下载链接。音频文件对应的字幕，精确到句（不超过 50 字），单位为毫秒，格式为 json

data.status

int

当前音频流状态：1 表示合成中，2 表示合成结束

trace_id

string

本次会话的 id，用于在咨询/反馈时帮助定位问题

extra_info

object

音频的附加信息

extra_info.audio_length

int

音频时长（毫秒）

extra_info.audio_sample_rate

int

音频采样率

extra_info.audio_size

int

音频文件大小（字节）

extra_info.bitrate

int

音频比特率

extra_info.audio_format

enum

生成音频文件的格式。取值范围 [mp3, pcm, flac]

extra_info.audio_channel

int

生成音频声道数,1：单声道，2：双声道

extra_info.invisible_character_ratio

number

非法字符占比.非法字符不超过 10%（包含 10%），音频会正常生成,并返回非法字符占比数据；如超过 10% 将进行报错

extra_info.usage_characters

int

计费字符数

extra_info.word_count

int

已发音的字数统计，包含汉字、数字、字母，不包含标点符号

base_resp

object

本次请求的状态码和详情

base_resp.status_code

int

状态码。

0: 请求结果正常

1000: 未知错误

1001: 超时

1002: 触发限流

1004: 鉴权失败

1039: 触发 TPM 限流

1042: 非法字符超过 10%

2013: 输入参数信息不正常

base_resp.status_msg

string

状态详情