豆包语音
豆包语音
API参考
请输入
- 文档首页
豆包语音语音合成大模型声音复刻音色注册
复制全文
下载 pdf音色注册
文档反馈
问问助手上传语音样本，自定义音色，用于语音合成。
POSThttps://openspeech.bytedance.com/api/v3/tts/voice_clone
请求头
Content-Type string 必选
固定值："application/json"
X-Api-Key string 必选
X-Api-Request-Id string 必选
标识客户端请求ID，uuid随机字符串
请求体
speaker_idstring 必选
custom_speaker_idstring
注意：首次调用合成接口即视为 “转正” 并收取音色槽位费，请务必在确认试听效果满意后再进行正式合成！
一、 参数调用格式
使用自定义音色时，speaker_id 必须传固定值，实际自定义名称写在 custom_speaker_id 中：
{
"speaker_id": "custom_speaker_id", // 必须为固定值
"custom_speaker_id": "custom_zh_xxx" // 客户自定义的音色代号
}
二、 命名规范
- 字符与长度：8 ~ 256 个字符，仅支持数字、大小写字母、中划线 -、下划线 _。
- 首尾限制：必须以英文字母开头；首位和末位不可为 - 或 _。
- 唯一性：同 accountID 维度下不可与已有 ID 重复。
- 官方防冲突：不可与官方精品音色重名。系统会自动拦截特定的官方前缀（如 S_、MIX_）或后缀（如 _tob、_streaming）的名称。
- 如果你的命名在正则表达式验证网站匹配以下正则表达式，将被系统拦截（表示与官方音色冲突或格式不符）：
`^((?i:S_|ICL_|MIX_|DiT_|BV)|[a-z]{2}_|(?i:(wvae|moon|mercury|venus|earth|mars|jupiter|saturn|uranus|neptune|pluto|umm)_)).*|.*_(?i:bigtts|bigtts_cc|tob|cs_tob|streaming)$|^[^a-zA-Z]|.*[-_]$|^.{0,7}$|^.{257,}$|.*[^a-zA-Z0-9_-].*`
三、 生命周期与计费说明
audio object 必选
音频格式支持：wav、mp3、ogg、m4a、aac、pcm，其中pcm仅支持24k，单通道
目前限制文件上传最大10MB
data string 必选
进制音频字节，需对二进制音频进行base64编码
format string 必选
音频格式，pcm、m4a必传，mp3、ogg、m4a、aac等其他格式可以不指定
textstring
参考文本，可让用户按照该文本念诵，服务会对比音频与该文本的差异，若差异过大会复刻失败并返回45001109 WERError。
language int
支持以下语种：
音频内容需要和语种一致
- cn = 0：中文（默认）
- en = 1：英文
- ja = 2：日语
- es = 3：西班牙语
- id = 4：印尼语
- pt = 5：葡萄牙语
- de = 6: 德语
- fr = 7: 法语
- ko = 8：韩语
- it = 9: 意大利语
- th = 10: 泰语
- vi = 11: 越南语
- ru = 12: 俄语
- fil = 13: 菲律宾语
- ms = 14: 马来语
- ar = 15: 阿拉伯语
- mx = 16: 墨西哥西班牙语
- pt-br = 17: 巴西葡萄牙语
- pl = 19：波兰语
- tr = 20：土耳其语
- sv = 21：瑞典语
豆包端到端实时语音模型，支持以下语种：
- cn = 0：中文（默认）
- en = 1：英文
extra_params object
配置附加参数
demo_text string
试听文本，长度在4和300字之间，如果指定了语种需要传入对应语种的文本，否则会合成失败。
注意事项：demo_text 文本越长，注册耗时越长，建议合理控制文本长度。
enable_audio_denoise bool
是否开启降噪（默认False）。开启降噪可能会对声音细节有一定影响，音频样本噪声较大的情况下建议开启降噪，音频样本质量较好的情况下建议关闭降噪。
disable_volume_normalization bool
是否关闭音量归一化（默认值为 false）。开启音量归一化，合成时是相对统一的音量，如果关闭音量归一化，合成出来的音量会和 prompt 更接近，和 prompt音频相似度也会更高。
响应
响应
X-Tt-Logid string
服务端返回的 logid，用于在咨询或者反馈时定位问题
code int
message string
available_training_times int
该speaker_id剩余复刻次数
create_time int
创建时间，毫秒级时间戳
language int
以下为语种对应的枚举值
- cn = 0：中文（默认）
- en = 1：英文
- ja = 2：日语
- es = 3：西班牙语
- id = 4：印尼语
- pt = 5：葡萄牙语
- de = 6: 德语
- fr = 7: 法语
- ko = 8：韩语
- it = 9: 意大利语
- th = 10: 泰语
- vi = 11: 越南语
- ru = 12: 俄语
- fil = 13: 菲律宾语
- ms = 14: 马来语
- ar = 15: 阿拉伯语
- mx = 16: 墨西哥西班牙语
- pt-br = 17: 巴西葡萄牙语
- pl = 19：波兰语
- tr = 20：土耳其语
- sv = 21：瑞典语
speaker_id string
唯一音色代号
status int
请求状态，状态为2或4时都可以调用TTS语音合成接口。
- NotFound = 0
- Training = 1
- Success = 2
- Failed = 3
- Active = 4
speaker_statusobject list
model_type int
复刻 2.0：model_type = 5
demo_audio string
试听音频。Success状态时返回，一小时有效，若需要，请下载后使用
cURL
Python
java
Go
输入示例
curl -X POST "https://openspeech.bytedance.com/api/v3/tts/voice_clone" \
-H "Content-Type: application/json" \
-H "X-Api-Key: your_api_key" \
-H "X-Api-Request-Id: $(uuidgen)" \
-d '{
"speaker_id": "",
"audio": {
"data": "'$(base64 -i "your_file_path" | tr -d '\n')'",
"format": "wav"
},
"language": 1,
"extra_params": {
"demo_text": "hello, this is a test",
}
}'输出示例
{
"available_training_times": 15,
"create_time": 1772026663000,
"language": 1,
"speaker_id": "S_*******",
"speaker_status": [
{
"demo_audio": "https://x.bytespeech.com/S_*******",
"model_type": 5
}
],
"status": 2
}最近更新时间：2026.09.29 19:02:44
这个页面对您有帮助吗？
有用
有用
无用
无用