TTS 文本转语音

使用 AI 模型将文本转换为自然语音，支持多种语音风格和输出格式

​

介绍

文本转语音（TTS）API 基于先进的生成 AI 模型，可以将输入的文本转换为逼真的语音音频。支持多种用途：

• 为书面博客文章配音
• 生成多种语言的语音音频
• 提供实时音频输出流

​

可用模型列表

​

OpenAI 模型

• gpt-4o-audio-preview —— OpenAI 最新的音频生成模型，支持对话式音频生成
• gpt-4o-mini-tts —— 智能实时应用的首选模型，支持高级语音控制，可以通过提示词控制多种语音特性：
  1. 口音 (Accent)
  2. 情感范围 (Emotional range)
  3. 语调 (Intonation)
  4. 印象/风格 (Impressions)
  5. 语速 (Speed of speech)
  6. 语调 (Tone)
  7. 轻声说话 (Whispering)
• tts-1-hd —— 高清音质的上一代 TTS 模型
• tts-1 —— 标准 TTS 模型，平衡质量和速度

​

Gemini 模型

• gemini-2.5-flash-preview-tts —— Gemini 快速 TTS 模型，支持单说话人和多说话人音频生成
• gemini-2.5-pro-preview-tts —— Gemini 专业 TTS 模型，支持单说话人和多说话人音频生成

性能建议：

1. 为获得最快的响应时间，建议使用 wav 或 pcm 作为响应格式
2. 对于高质量音频，建议使用 tts-1-hd
3. 对于更快的生成速度，使用 tts-1
4. 对于智能语音应用，推荐使用 gpt-4o-mini-tts
5. 对于需要多说话人对话的场景，推荐使用 Gemini TTS 模型

​

API 接口

​

请求地址

POST https://aihubmix.com/v1/audio/speech

​

请求头

Authorization: Bearer $AIHUBMIX_API_KEY
Content-Type: application/json

​

请求参数

​

标准 TTS 参数

标准参数适用于 tts-1, tts-1-hd, gpt-4o-mini-tts, gemini-2.5-flash-preview-tts 以及 gemini-2.5-pro-preview-tts。

参数	类型	必填	说明
model	string	是	要使用的模型 ID。可选值：tts-1、tts-1-hd、gpt-4o-mini-tts、gemini-2.5-flash-preview-tts、gemini-2.5-pro-preview-tts
input	string	是	要生成音频的文本，最大长度为 4096 个字符
voice	string	是	用于合成的语音。见下方语音列表
response_format	string	否	音频输出格式。支持的音频格式包括： mp3、 opus、 aac 、 flac、 wav、 pcm，默认使用 mp3 格式。注意：Gemini 模型仅支持 wav和 pcm 格式。
speed	number	否	生成音频的语速。取值范围 0.25 到 4.0，默认为1.0。注意： gpt-4o-mini-tts 和 Gemini 模型不支持此参数，但可以通过自然语言描述来控制语速。
instructions	string	否	语音生成指令，可以详细指定语音风格、语调和情感等特性，仅适用于 gpt-4o-mini-tts 和 Gemini 模型。

​

gpt-4o-audio-preview 参数

参数	类型	必填	说明
model	string	是	设置为 gpt-4o-audio-preview
modalities	array	是	设置为 ["text", "audio"] 启用音频输出
audio	object	是	音频配置对象，包含 voice 和 format 字段
messages	array	是	聊天消息数组，与标准聊天格式相同

​

语音列表

​

OpenAI 语音

支持以下语音选项：

• alloy - 中性、平衡
• ash - 清晰、专业
• ballad - 温暖、叙事性
• coral - 友好、平易近人
• echo - 清晰、明亮
• fable - 富有表现力、戏剧性
• onyx - 深沉、权威
• nova - 活泼、充满活力
• sage - 成熟、知识渊博
• shimmer - 柔和、舒缓
• verse - 清晰、多才多艺
• marin - 自然、友好
• cedar - 稳定、可靠

​

Gemini 语音

支持以下 30 种语音选项：

语音名称	风格	语音名称	风格	语音名称	风格
Zephyr	Bright	Puck	Upbeat	Charon	Informative
Kore	Firm	Fenrir	Excitable	Leda	Youthful
Orus	Firm	Aoede	Breezy	Callirrhoe	Easy-going
Autonoe	Bright	Enceladus	Breathy	Iapetus	Clear
Umbriel	Easy-going	Algieba	Smooth	Despina	Smooth
Erinome	Clear	Algenib	Gravelly	Rasalgethi	Informative
Laomedeia	Upbeat	Achernar	Soft	Alnilam	Firm
Schedar	Even	Gacrux	Mature	Pulcherrima	Forward
Achird	Friendly	Zubenelgenubi	Casual	Vindemiatrix	Gentle
Sadachbia	Lively	Sadaltager	Knowledgeable	Sulafat	Warm

​

语音映射

当使用 Gemini 模型时，如果传入 OpenAI 语音名称，系统会自动映射到对应的 Gemini 语音：

OpenAI 语音	Gemini 语音	OpenAI 语音	Gemini 语音
alloy	Kore	ash	Fenrir
ballad	Aoede	coral	Leda
echo	Puck	fable	Zephyr
onyx	Charon	nova	Orus
sage	Algieba	shimmer	Callirrhoe
verse	Enceladus	marin	Despina
cedar	Iapetus

​

使用示例

​

标准 TTS 模型（OpenAI）

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "The quick brown fox jumped over the lazy dog.",
    "voice": "alloy"
  }' \
  --output speech.mp3

​

Gemini TTS 模型（单说话人）

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-2.5-flash-preview-tts",
    "input": "Say cheerfully: Have a wonderful day!",
    "voice": "Kore",
    "response_format": "wav"
  }' \
  --output speech.wav

​

Gemini TTS 模型（多说话人 - 通过提示词控制）

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-2.5-flash-preview-tts",
    "input": "TTS the following conversation between Joe and Jane:\nJoe: How'\''s it going today Jane?\nJane: Not too bad, how about you?",
    "voice": "Kore",
    "response_format": "wav",
    "instructions": "Joe should sound firm and professional, Jane should sound upbeat and friendly"
  }' \
  --output conversation.wav

​

Python 示例（OpenAI SDK）

from openai import OpenAI

client = OpenAI(
    api_key="your-aihubmix-api-key",
    base_url="https://aihubmix.com/v1"
)

response = client.audio.speech.create(
    model="tts-1",
    voice="alloy",
    input="The quick brown fox jumped over the lazy dog."
)

response.stream_to_file("speech.mp3")

​

Python 示例（Gemini TTS）

from openai import OpenAI

client = OpenAI(
    api_key="your-aihubmix-api-key",
    base_url="https://aihubmix.com/v1"
)

# 单说话人
response = client.audio.speech.create(
    model="gemini-2.5-flash-preview-tts",
    voice="Kore",
    input="Say cheerfully: Have a wonderful day!",
    extra_body={
        "response_format": "wav"
    }
)

response.stream_to_file("speech.wav")

# 多说话人对话
conversation_response = client.audio.speech.create(
    model="gemini-2.5-flash-preview-tts",
    voice="Kore",
    input="""TTS the following conversation between Joe and Jane:
    Joe: How's it going today Jane?
    Jane: Not too bad, how about you?""",
    extra_body={
        "response_format": "wav",
        "instructions": "Joe should sound firm, Jane should sound upbeat"
    }
)

conversation_response.stream_to_file("conversation.wav")

​

控制语音风格（Gemini 模型）

Gemini TTS 模型支持通过自然语言提示词来控制语音的风格、语调、口音和语速。您可以在 input 或 instructions 参数中提供指导。

​

单说话人风格控制

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Say in a spooky whisper: By the pricking of my thumbs... Something wicked this way comes",
  "voice": "Enceladus",
  "response_format": "wav"
}

​

多说话人风格控制

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Speaker1: So... what's on the agenda today?\nSpeaker2: You're never going to guess!",
  "voice": "Kore",
  "response_format": "wav",
  "instructions": "Make Speaker1 sound tired and bored, and Speaker2 sound excited and happy"
}

​

提示词结构建议

为了获得最佳效果，可以使用以下结构化的提示词格式：

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Your transcript here",
  "voice": "Kore",
  "instructions": "# AUDIO PROFILE: Character Name\n## Role Description\n\n## THE SCENE: Scene Name\nDescribe the environment and mood\n\n### DIRECTOR'S NOTES\nStyle: Describe the style\nPacing: Describe the pacing\nAccent: Specify the accent"
}

​

支持的语言

TTS 模型自动检测输入语言。支持以下 24 种语言：

语言	BCP-47 代码	语言	BCP-47 代码
阿拉伯语（埃及）	ar-EG	德语（德国）	de-DE
英语（美国）	en-US	西班牙语（美国）	es-US
法语（法国）	fr-FR	印地语（印度）	hi-IN
印尼语（印尼）	id-ID	意大利语（意大利）	it-IT
日语（日本）	ja-JP	韩语（韩国）	ko-KR
葡萄牙语（巴西）	pt-BR	俄语（俄罗斯）	ru-RU
荷兰语（荷兰）	nl-NL	波兰语（波兰）	pl-PL
泰语（泰国）	th-TH	土耳其语（土耳其）	tr-TR
越南语（越南）	vi-VN	罗马尼亚语（罗马尼亚）	ro-RO
乌克兰语（乌克兰）	uk-UA	孟加拉语（孟加拉国）	bn-BD
英语（印度）	en-IN & hi-IN	马拉地语（印度）	mr-IN
泰米尔语（印度）	ta-IN	泰卢固语（印度）	te-IN

​

响应格式

​

音频格式

格式	Content-Type	说明	模型支持
mp3	audio/mpeg	默认格式，广泛兼容	OpenAI 模型
opus	audio/opus	适合互联网流媒体	OpenAI 模型
aac	audio/aac	数字音频压缩	OpenAI 模型
flac	audio/flac	无损音频压缩	OpenAI 模型
wav	audio/wav	未压缩的 WAV 音频	所有模型
pcm	audio/pcm	原始 PCM 音频（24kHz, 单声道, 16-bit）	所有模型

注意： Gemini 模型原生返回 PCM 格式（24kHz, 单声道, 16-bit），系统会自动转换为 WAV 格式。如需其他格式，建议使用 OpenAI 模型。

​

响应体

成功时返回音频流（二进制数据），Content-Type 根据 response_format 参数设置。

失败时返回 JSON 错误信息：

{
  "error": {
    "message": "错误描述",
    "type": "error_type",
    "code": "error_code"
  }
}

​

计费说明

TTS API 按字符数计费：

• 输入文本的字符数作为计费单位
• 不同模型有不同的价格倍率
• 最大输入长度：4096 字符

​

限制说明

• 最大输入长度：4096 个字符
• Gemini TTS 模型仅支持 wav 和 pcm 输出格式
• Gemini TTS 模型不支持 speed 参数（可通过提示词控制）
• 上下文窗口限制：32k tokens（Gemini 模型）

​

常见问题

​

Q: 如何选择合适的模型？

• 需要快速生成 → tts-1 或 gemini-2.5-flash-preview-tts
• 需要高质量音频 → tts-1-hd
• 需要智能语音控制 → gpt-4o-mini-tts 或 Gemini TTS 模型
• 需要多说话人对话 → Gemini TTS 模型

​

Q: Gemini TTS 和 OpenAI TTS 有什么区别？

• Gemini TTS: 支持通过自然语言提示词控制语音风格，支持多说话人，但仅支持 WAV/PCM 格式
• OpenAI TTS: 支持多种音频格式，有固定的语音选项，速度可通过参数控制

​

Q: 如何实现多说话人对话？

使用 Gemini TTS 模型，在 input 中使用对话格式，并在 instructions 中为每个说话人指定风格：

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Speaker1: Hello!\nSpeaker2: Hi there!",
  "instructions": "Speaker1 should sound professional, Speaker2 should sound casual"
}

​

Q: 支持流式输出吗？

​

目前 TTS API 返回完整的音频文件，不支持流式输出。

更新时间：2026-06-01