Skip to main content
POST
POST https://code.heihuzi.ai/api/v3/tts/create 用 seed-audio-1.0 生成一段配音,请求和返回与火山「豆包语音 音频生成」HTTP 接口相同。接口是同步的:一次请求直接返回音频,不需要查询任务。 请使用绑定「豆包语音|火山官方」分组的 API Key。
运行前设置环境变量 HEIHUZI_API_KEY,并安装 jq。返回的 JSON 保存在 voice.json,音频解码后保存为 voice.mp3。

请求参数

string
required
固定填 seed-audio-1.0。
string
required
要说的内容,最多 3000 个字符。用 @音频1、@音频2、@音频3 指定这句话用 references 里第几个声音来说,例如 "@音频1:你好。@音频2:早上好。"。可以在文字里描述语气,例如“用@音频1的声音清楚地说:……”。
object[]
参考声音或参考图,每项只写下面一种:
  • 预设音色:{"speaker": "zh_female_vv_uranus_bigtts"},填火山豆包语音的音色 ID。
  • 参考音频(Base64):{"audio_data": "<音频文件的 Base64 编码>"},用这段录音的声音来说。
  • 参考音频(链接):{"audio_url": "https://example.com/voice.wav"},火山需要能直接下载。
  • 参考图(Base64):{"image_data": "<图片的 Base64 编码>"}。
  • 参考图(链接):{"image_url": "https://example.com/person.png"}。
声音参考(speaker、audio_data、audio_url)最多 3 个,可以混用,顺序对应 @音频1 到 @音频3。参考图只能 1 张,不能和声音参考一起用。大文件建议用链接,不要用 Base64。
string
输出格式:wav、mp3、pcm、ogg_opus。pcm 是没有文件头的原始音频数据。
integer
采样率(Hz)。已实测:
integer
语速,-50 到 100。-50 约为正常速度的一半,100 约为两倍。
integer
音量,-50 到 100,数值越大声音越响。
integer
音调,-12 到 12,数值越大声音越高。
boolean
填 true 时返回 subtitle 字幕,包含分句和逐字时间。
boolean
填 true 时在音频末尾加一段可以听到的 AI 生成提示音。
object
把 AI 生成标识写进音频文件的元数据(已在 wav 格式核对)。格式:{"enable": true, "content_producer": "…", "produce_id": "…", "content_propagator": "…", "propagate_id": "…"},四个字段填你自己的标识。

响应

  • audio:Base64 编码的音频,格式和采样率按 audio_config。
  • url:音频下载链接,有有效期,请及时下载保存。
  • duration:成品音频的时长(秒),调了语速或加了提示音后会和 original_duration 不同。
  • original_duration:按正常语速计算的原始时长(秒),也是计费时长,单次最长 120 秒。
  • subtitle:开启字幕时返回。start_time、end_time 单位毫秒。

计费

价格为原始时长每分钟 1 元,按 original_duration 计费,金额保留 8 位小数。例如原始时长 3.28 秒扣 0.05466667 元。调慢语速不会多扣钱:原始 3.7 秒的内容放慢后播放 7.4 秒,仍按 3.7 秒计费。请求失败不扣费。

错误

错误时响应体为 {"code": …, "message": "…"}: