IndexTeam/IndexTTS-2文档

本文介绍XinnetModel 语音合成模型IndexTeam/IndexTTS-2调用 API 的输入输出参数，供您使用接口时查阅字段含义。

接口地址

https://airouter.xincache.cn/v1/audio/infer
注意：该接口请求体格式必须为 multipart/form-data （表单模式）

请求参数：表单文件参数（Form Data）

参数	类型	必填	说明
model	string	是	要使用的 TTS 模型名称，此处为： `IndexTeam/IndexTTS-2`
spk_audio_file	文件（二进制）	是	说话人参考音频文件，用于提取音色特征，仅支持 MP3、WAV，文件小于20MB
emo_audio_file	文件（二进制）	否	情感参考音频文件，用于提取语音的情感特征，仅支持 MP3、WAV，文件小于20MB
payload	string	是	JSON 格式的配置参数字符串

payload 配置参数（JSON 格式）

参数	类型	必填	默认值	说明
input	string	是	-	需要合成的文本内容，最大支持 `600` 字符。
sample_rate	int	否	`22050`	输出音频采样率，单位为 Hz。常见值： `22050`、 `44100`、 `48000`。
speed	float	否	`1`	语速调整系数，接口限制范围： `0.25 <= 值 <= 4.0`。
gain	float	否	`1`	音量调整系数， `1` 为原始音量， `>1` 表示增大， `<1` 表示减小。
emo_control_method	int	否	`0`	情感控制方式： `0` = 无情感参考； `1` = 情感音频参考（需同时传 `emo_audio_file`）； `2` = 情感向量参考； `3` = 情感文本参考。
emo_alpha	float	否	`1`	情感融合权重，用于控制情感特征对输出结果的影响程度。
emo_vec	array[float]	否	`[0, 0, 0, 0, 0, 0, 0, 0]`	8 维情感向量，仅在 `emo_control_method = 2` 时生效；所有元素之和不能超过 `1.5` 。示例： `[0.1, 0.2, 0.0, 0.3, 0.1, 0.0, 0.2, 0.4]`。
emo_text	string	否	`""`	情感文本描述，仅在 `emo_control_method = 3` 时生效。示例： `"今天股票涨停了，好激动"`。
use_random	bool	否	`false`	情感随机性开关。 `true` 表示随机引入情感变化， `false` 表示严格按指定情感合成。
interval_silence	int	否	`200`	文本分块合成时间隔静音时长，单位为毫秒。

请求示例

⚠️ 如果您使用 Windows 系统，建议使用 Postman 或其他 API 调用工具。

curl https://airouter.xincache.cn/v1/audio/infer \
  -H "Authorization: Bearer $XINNETMODEL_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F "model=IndexTeam/IndexTTS-2" \
  -F "spk_audio_file=@audio/klee.wav" \
  -F "emo_audio_file=@audio/emo_sad.wav" \
  -F "payload={
    \"input\": \"酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。\",
    \"emo_weight\": 0.8,
    \"emo_control_method\": 1
  }" \
  --output 007_sad_08.wav

响应格式

API 返回二进制音频文件流。

音频格式：目前仅支持 WAV 格式输出
Content-Type： audio/wav

错误响应

当请求失败时，API 会返回标准的 JSON 格式错误响应：

{
  "error": {
    "message": "错误描述信息",
    "type": "invalid_request_error",
    "code": "error_code",
    "param": "<请求 ID，用于反馈或排查错误原因>"
  }
}

同时兼容以下接口

接口地址：https://airouter.xincache.cn/v1/audio/speech

请求参数

参数	类型	必填	说明
model	string	是	要使用的 TTS 模型名称，例如： `IndexTeam/IndexTTS-2`
input	string	是	要转换为语音的文本内容（最大支持 600 字符）
voice	string	是	使用的音色，可选值包括：内置音色（`jack_cheng`, `sales_voice`, `crystla_liu`, `stephen_chow`, `xiaoyueyue`, `mkas`, `entertain`, `novel`, `movie` ），也可以填写自定义音色 ID（形如 `uspeech:xxxx` ，详见下文「使用自定义音色」）

调用示例

以下示例展示如何使用 IndexTeam/IndexTTS-2 模型进行语音合成。请确保将 $XINNETMODEL_API_KEY 替换为您自己的 API Key。

curl

curl https://airouter.xincache.cn/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $XINNETMODEL_API_KEY" \
  -d '{
    "model": "IndexTeam/IndexTTS-2",
    "input": "你好！欢迎使用 XinnetModel 语音合成服务。",
    "voice": "jack_cheng"
  }' \
  --output speech.wav

python

from pathlib import Path
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("XINNETMODEL_API_KEY", "<YOUR_XINNETMODEL_API_KEY>"),
    base_url="https://airouter.xincache.cn/v1/",
)

speech_file_path = Path(__file__).parent / "generated-speech.wav"

with client.audio.speech.with_streaming_response.create(
    model="IndexTeam/IndexTTS-2",
    voice="jack_cheng",
    input="你好！欢迎使用 XinnetModel 语音合成服务。",
) as response:
    response.stream_to_file(speech_file_path)

print(f"Audio saved to {speech_file_path}")

使用自定义音色（可选）

除了使用内置的 voice 名称外，您还可以上传自己的音色（甚至带有特定情绪的样例语音），生成一个专属的 voice_id ，在 TTS 请求中通过 voice 字段进行引用。

使用方式可以简单理解为三步：

上传音色，获取 voice_id

调用 POST /v1/audio/voice/upload 上传一段符合要求的示例语音，接口会返回一个 id 作为自定义音色 ID。

详细的请求参数与返回结构请参考《自定义音色管理 API 文档》。
在 TTS 请求中使用 voice_id

在 /v1/audio/speech 请求中，把 voice 字段设置为步骤一返回的 id ，下文会给出完整示例。
管理已有的自定义音色（可选）

如需查看或删除已有音色，可调用 GET /v1/audio/voice/list 和 POST /v1/audio/voice/delete。

具体请求/返回格式同样见《自定义音色管理 API 文档》。

在 TTS 请求中使用自定义 voice_id

当您已经拿到一个自定义音色 id （例如 uspeech:xxxx ）后，只需要在 /v1/audio/speech 请求中把 voice 字段改成该 id 即可。

VOICE_ID="uspeech:xxxx-xxxx-xxxx-xxxx"

curl https://airouter.xincache.cn/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $XINNETMODEL_API_KEY" \
  -d "{
    \"model\": \"IndexTeam/IndexTTS-2\",\
    \"input\": \"你好，我是自定义的温柔女声。\",\
    \"voice\": \"$VOICE_ID\"\
  }" \
  --output speech-custom.wav

行为说明：

voice 为空：使用默认音色或模型自带的默认配置。
voice 为内置名称（如 jack_cheng 等）：使用平台内置的预置音色。
voice 为形如 uspeech:xxxx 的值：表示使用你上传的自定义音色，平台会根据该 ID 查找并应用对应的音色/情绪素材，无需额外配置。
响应格式

API 返回二进制音频文件流。

音频格式：目前仅支持 WAV 格式输出
Content-Type： audio/wav

注意事项

音频格式：响应的二进制流格式目前仅支持 WAV，暂不支持其他音频格式
文本长度限制：单次请求的文本长度限制因具体模型而异， IndexTeam/IndexTTS-2 模型通常支持 600 字符以内的文本
语音类型：不同的 voice 参数会产生不同音色和风格的语音效果，建议根据实际场景选择合适的语音类型

错误处理

当请求失败时，API 会返回标准的 JSON 格式错误响应：

{
  "error": {
    "message": "错误描述信息",
    "type": "invalid_request_error",
    "code": "error_code",
    "param": "<请求 ID，用于反馈或排查错误原因>"
  }
}

常见问题（FAQ）

Q：我上传的音频有什么要求？
A：必须是 MP3/WAV，单个文件 ≤ 20MB，时长 5–30 秒，采样率至少 16kHz，不符合要求会返回 4xx 错误，并在 error.code 中标明原因。
Q： voice 字段应该填什么？
A：
- 想直接用平台提供的固定音色：填写内置名称（如 jack_cheng）；
- 想用自己录制的音色：先调用上传接口拿到 id ，然后在 TTS 请求中把 voice 设置为这个 id （例如 uspeech:xxxx）。
Q：出现 invalid_voice_id/voice_not_found 等错误怎么办？
A：说明当前账号下找不到这个 voice_id ，或者已被删除。可以先调用 /v1/audio/voice/list 确认当前可用的 ID，再在请求里使用正确的值。
Q：不同账号之间能共享自定义音色吗？
A：同一组织下所有子账号，自定义音色可以共享。非同一账号下，无法共享。

Last modified: 25 April 2026