请求体
|
非流式curl -X POST "https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "MiniMax/speech-2.8-hd",
"input": {
"text": "今天是不是很开心呀(laughs)，当然了！",
"voice_setting": {
"voice_id": "male-qn-qingse",
"speed": 1,
"vol": 1,
"pitch": 0,
"emotion": "happy"
},
"audio_setting": {
"sample_rate": 32000,
"bitrate": 128000,
"format": "mp3",
"channel": 1
},
"pronunciation_dict": {
"tone": [
"处理/(chu3)(li3)",
"危险/dangerous"
]
},
"subtitle_enable": false
}
}'
流式curl -X POST "https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
"model": "MiniMax/speech-2.8-hd",
"input": {
"text": "今天是不是很开心呀(laughs)，当然了！",
"voice_setting": {
"voice_id": "male-qn-qingse",
"speed": 1,
"vol": 1,
"pitch": 0,
"emotion": "happy"
},
"audio_setting": {
"sample_rate": 32000,
"bitrate": 128000,
"format": "mp3",
"channel": 1
},
"pronunciation_dict": {
"tone": [
"处理/(chu3)(li3)",
"危险/dangerous"
]
},
"subtitle_enable": false
}
}'
|
|
model string （必选）
模型名称。支持：
|
MiniMax/speech-2.8-hd
|
|
MiniMax/speech-02-hd
|
|
MiniMax/speech-2.8-turbo
|
|
MiniMax/speech-02-turbo
|
|
|
input object （必选）
属性
text string （必选）
待合成语音的文本。
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。
stream_options object （可选）
流式输出的配置项，仅在请求头 X-DashScope-SSE: enable 时生效。
属性
exclude_aggregated_audio boolean （可选） 默认值为false
控制流式输出的合成结束帧中，audio 字段是否返回本次合成的完整音频（即此前所有合成中分块拼接后的整段 hex 数据）。
取值范围：
说明
该参数仅在流式输出场景下生效；非流式输出场景下设置无效。
voice_setting object （必选）
属性
voice_id string （必选）
设置音色ID。
若需要设置混合音色，请设置 timbre_weights 参数，本参数设置为空值。
speed float （可选） 默认值为1.0
设置语速。
取值范围：[0.5, 2.0]。
vol float （可选） 默认值为1.0
设置音量。
取值范围：(0.0, 10.0]。
pitch integer （可选） 默认值为0
设置音高。
取值范围：[-12, 12]。
emotion string （可选） 无默认值
设置情感。模型会根据输入文本自动匹配合适的情感，一般无需手动指定。
取值范围：
-
happy：高兴
-
sad：悲伤
-
angry：愤怒
-
fearful：害怕
-
disgusted：厌恶
-
surprised：惊讶
-
calm：中性
-
whisper：低语
说明
speech-2.8-hd, speech-2.8-turbo 模型不支持 whisper
text_normalization boolean （可选） 默认值为false
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。
取值范围：
latex_read boolean （可选） 默认值为false
是否启用朗读 LaTeX 公式的功能。
取值范围：
示例：
x=2a−b±b2−4ac
如上公式应表示为：$$x = \\frac{-b \\pm \\sqrt{b^2 - 4ac}}{2a}$$。
audio_setting object （可选）
属性
sample_rate integer （可选） 默认值为32000
设置生成的音频的采样率（单位为Hz）。
取值范围：
-
8000
-
16000
-
22050
-
24000
-
32000
-
44100
bitrate integer （可选） 默认值为128000
设置生成的音频的码率（单位kbps）。
取值范围：
-
32000
-
64000
-
128000
-
256000
说明
该参数仅在format参数为mp3时生效。对于其他格式，该参数将被忽略。
format string （可选） 默认值为mp3
设置生成的音频的格式。
取值范围：
channel integer （可选） 默认值为1
设置生成的音频的声道数。
取值范围：
force_cbr boolean （可选） 默认值为false
是否以恒定码率进行音频编码。
取值范围：
pronunciation_dict object （可选）
属性
tone string[] （可选）
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。
使用 / 作为分隔符。
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：
["燕少飞/(yan4)(shao3)(fei1)", "omg/oh my god"]
timbre_weights object[] （可选）
若需要设置混合音色，请对该参数进行设置。最多支持 4 种音色混合。
属性
voice_id string （必选）
设置音色ID。
weight integer （必选）
设置音色所占权重，必须与 voice_id 同步填写。单一音色取值占比越高，合成音色与该音色相似度越高。
取值范围：[1, 100]。
language_boost string （可选） 默认值为null
是否增强对指定的小语种和方言的识别能力。可设置为 auto 让模型自主判断。
取值范围（点击查看）：
-
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 （可选）
设置声音效果，该参数支持的音频格式：
属性
pitch integer （可选） 无默认值
设置音高（低沉/明亮）。
数值越低声音越低沉，数值越高声音越明亮。
取值范围：[-100, 100]。
intensity integer （可选） 无默认值
设置强度（力量感/柔和）。
数值越低声音越刚劲，数值越高声音越轻柔。
取值范围：[-100, 100]。
timbre integer （可选） 无默认值
设置音色明暗程度（磁性/清脆）。
数值越低声音越浑厚，数值越高声音越清脆。
取值范围：[-100, 100]。
sound_effects string （可选） 无默认值
设置音效。
取值范围：
-
spacious_echo：空旷回音
-
auditorium_echo：礼堂广播
-
lofi_telephone：电话失真
-
robotic：电音
subtitle_enable boolean （可选） 默认值为false
是否开启字幕。
取值范围：
说明
该参数仅在非流式输出场景下有效，且仅对 speech-2.8-hd, speech-2.8-turbo, speech-2.6-hd, speech-2.6-turbo, speech-02-hd, speech-02-turbo, speech-01-hd, speech-01-turbo 模型有效。
output_format string （可选） 默认值为hex
设置输出结果形式。
取值范围：
说明
该参数仅在非流式场景中生效（流式场景只返回hex形式）。
aigc_watermark boolean （可选） 默认值为false
是否在合成音频末尾添加 AIGC 隐性标识。
取值范围：
|
