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同步语音合成单向流式语音合成(HTTP)
复制全文
下载 pdf单向流式语音合成(HTTP)
文档反馈
问问助手基于 HTTP Chunked 协议的单向流式合成接口，一次性输入文本，流式返回音频，支持中、英、日、西等多语种及多种方言口音。
POST https://openspeech.bytedance.com/api/v3/tts/unidirectional
请求头
X-Api-Key string 必选
X-Api-Resource-Id string 必选
请求的模型版本，可选值：
- seed-tts-2.0:豆包语音合成大模型2.0，支持使用豆包语音合成模型2.0音色
- seed-icl-2.0:豆包声音复刻大模型2.0，支持使用声音复刻接口克隆的音色，具体音色详见控制台>音色库
X-Api-Request-Id string 必选
标识客户端请求ID，uuid随机字符串
X-Control-Require-Usage-Tokens-Return string
若设置为*，会返回计费的字符数
请求体
req_params object 必选
text string 必选
输入待合成的文本
model string
指定模型版本，默认值为seed-tts-2.0-standard
说明
仅当speaker参数为复刻音色时需指定此参数，且指定后不支持使用语音指令context_texts
speaker string 必选
ssml string
audio_params object 必选
音频参数
format string
指定音频格式，默认值为mp3，支持 mp3 / pcm / ogg_opus / wav
说明
流式场景推荐使用pcm，不建议使用wav
sample_rate int
指定输出音频的采样率，单位为Hz，不同音频格式支持的采样率不同，详细如下：
- wav/pcm/mp3默认值为24000，取值范围为[8000,16000,22050，24000,32000,44100,48000]
- ogg_opus仅支持48000
bit_rate int
指定音频比特率，单位 bps，不同音频格式对比特率支持的情况不同，详细如下：
- mp3：默认为64000 ，可选值[64000,160000]
- ogg_opus：可选值[64000,160000]
- wav/pcm：不支持指定比特率
说明
当设置disable_default_bit_rate为true后，可选值[16000,32000,64000,160000]
speech_rate int
指定音频的语速，默认值为0，取值范围 [-50, 100]。其中，取值100代表2.0倍速，-50代表0.5倍速
loudness_rate int
指定音频的音量，默认值为0，取值范围 [-50, 100]。其中，取值100代表2.0倍音量，-50代表0.5倍音量
enable_subtitle bool
启用字幕服务，开启后将返回字级别的时间戳，默认值为false
说明
仅支持中文和英文语种
additions string
配置自定义附加参数，须传入JSON序列化后的字符串
max_length_to_filter_parenthesis int
指定过滤括号内文本的长度，单位为字符，默认为0（即不过滤），推荐取值范围0~100
说明
- 该参数用于过滤文本中括号内的注释、补充说明等无需朗读的内容
- 当括号内文本字符数超过设定值时，该括号的过滤功能将失效，括号内内容会被正常朗读。若存在较长的括号文本需要过滤，建议客户端在送入合成前自行完成前置过滤，以避免过滤失效及不必要的时延
silence_duration int
配置文本末尾的静音时长，单位 ms，默认值为0，取值范围为[0,30000]
disable_markdown_filter bool
Markdown解析过滤参数，默认值为false
- true：启用后，系统会解析并去除Markdown语法，例如" 你好 "朗读为 "你好"
- false：停用后，系统会保留原始字符，例如 " 你好 " 朗读为 "星星你好星星"
disable_emoji_filter bool
Emoji解析过滤参数，默认值为false
- true：启用后，系统会解析并去除文本中的Emoji符号
- false：停用后，系统会保留文本中的Emoji符号
latex_parser string
启用Latex文本朗读能力功能。可取值：v2
说明
- 该参数适用于教育场景，启用后，会增加一定的时延。
- 启用该参数时，需同时将disable_markdown_filter设置为true
explicit_language string
指定朗读语种。开启后，仅朗读指定语种的文本，其他语种的内容会被跳过或合成失败，支持的语种如下：
- zh-cn：中文为主，支持中英混读
- en：英语
- ja：日语
- es-mx：墨西哥西语
- id：印度尼西亚语
- pt-br：巴西葡萄牙语
- pt：葡萄牙语
- ko：韩语
- it：意大利语
- de：德语
- fr：法语
- th：泰语
- vi：越南语
- ru：俄语
- fil：菲律宾语
- ms：马来语
- ar：阿拉伯语
- pl：波兰语
- tr：土耳其语
- sv：瑞典语
- nl: 荷兰语
- no: 挪威
- uk: 乌克兰语
- fi: 芬兰
- da: 丹麦
- cs: 捷克
- hu: 匈牙利
- el: 希腊
- ro: 罗马尼亚
- hi: 印度
- es-es: 西班牙西语
说明
- 输入文本语种须与 explicit_language 指定的语种一致，不一致时合成效果不予保证
- 豆包语音合成模型 2.0 音色列表中，仅命名为zh_xxx_xxxx_uranus_bigtts的音色支持nl、no、uk、fi、da、cs、hu、el、ro、hi、es-es等语种
enable_auto_language_recognitionbool
开启自动多语种识别，默认为false，开启后，系统将根据首句文本自动识别语种，并使用对应语种进行朗读
说明
- 指定语种的优先级高于自动多语种识别，当同时指定了explicit_language时，自动多语种识别不生效
- 支持的语种与 explicit_language 一致（pt与es-es除外）
- 自动识别语种时，葡萄牙语文本默认输出 pt-br（巴西口音），西班牙语文本默认输出 es-mx（墨西哥口音）。如需使用欧洲葡萄牙语pt或西班牙西班牙语es-es，须通过 explicit_language 参数显式指定
- 中英模型（中文、英文）与小语种模型（日、韩、法语、西语等小语种）相互独立，各自仅对对应语种合成效果最佳
explicit_dialect string
指定方言
- beijing：北京话
- dongbei：东北话
- henan：河南话
- shaanxi：陕西话
- shanghai：上海话
- sichuan：四川话
- tianjin：天津话
- yue：粤语
说明
aigc_watermark bool
启用AIGC生成标识，默认值：false。开启后，将在音频合成结尾添加节奏标识。
aigc_metadata object
在合成音频中添加meta水印，支持音频格式 mp3 / wav / ogg_opus
enable bool
启用meta隐式水印，默认值：false
content_producer string
指定合成服务提供者的名称或编码
produce_id string
指定自定义的内容制作编号
content_propagator string
指定内容传播服务提供者的名称或编码
propagate_id string
指定自定义的内容传播编号
post_process object
后处理相关配置
pitch int
指定音调，默认值为0，默认不调整音调，取值范围：[-12,12]
取值越大，音调越高（声音越尖锐、越明亮）；取值越小，音调越低（声音越低沉，越厚重）
context_texts array
配置语音指令
示例：
"context_texts":[ "你可以用特别特别痛心的语气说话吗?"]
tone_fidelity bool
开启还原模式，开启后模型将尽可能还原送入的上传的prompt音频音色和说话风格（情感、韵律、口音等）
默认值：false
说明
- 仅适用于豆包声音复刻大模型2.0音色
- 仅支持合成和上传音频同语种的文本，不支持跨语种合成，不支持双向流合成接口
pronunciation_dictobject
配置发音词典，修正指定文本的发音
toneobject
配置发音规则数组，支持发音修正与文本转写两类规则
- 发音修正：原词/(拼音音节)，用于指定词汇的具体发音
- 文本转写：原词/目标文本，用于将原词替换为目标文本后再合成
示例：
"req_params": {
"text": "我在北京说 omg",
"speaker": "zh_female_vv_uranus_bigtts",
"audio_params": {
"format": "mp3",
"sample_rate": 24000
},
"additions": "{\"pronunciation_dict\":{\"tone\":[\"北京/(bei3)(jing1)\",\"omg/oh my god\"]}}"
}
说明
- tone 中每条规则采用 原词/修正内容 格式，以/分隔。服务端按文本从左到右进行贪心最长匹配，存在多个可匹配词条时，优先匹配更长的原词
- 最多支持配置 5000 个词条；每个原词长度不超过 9 个字符，不能为空、不能包含空格、不可重复
- 仅豆包语音合成大模型2.0、豆包语音复刻大模型2.0对应的中英文音色支持
- 命中发音字典规则的文本片段不支持 SSML 标签，同时使用时 SSML 标签将失效，建议二者择一
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
状态详情，返回OK则表示语音合成成功
data string
合成音频数据，base64编码
sentence object
phonemes array
音素相关时间戳
text string
合成音频文本
words array
字级别时间戳
confidence float
时间戳置信度，范围 0~1
startTime float
开始时间（秒）
endTime float
结束时间（秒）
word string
字
usage object
本次请求的资源消耗统计
text_words int
本次请求计费的文本字数（含标点）
cURL
Python
Java
Go
请求示例
curl -N -X POST 'https://openspeech.bytedance.com/api/v3/tts/unidirectional' \
-H 'X-Api-Key: your_api_key' \
-H 'X-Api-Resource-Id: seed-tts-2.0' \
-H 'Content-Type: application/json' \
-H 'Connection: keep-alive' \
-d '{
"req_params": {
"text": "你好，这是一个语音测试",
"speaker": "zh_female_vv_uranus_bigtts",
"audio_params": {
"format": "mp3",
"sample_rate": 24000
}
}
}'
响应示例
{
"code": 0,
"message": "OK",
"data": "<base64 encoded audio chunk>",
"sentence": {
"phonemes": [],
"text": "你好，语音测试",
"words": [
{
"confidence": 0.89597625,
"endTime": 0.335,
"startTime": 0.195,
"word": "你"
},
{
"confidence": 0.9182152,
"endTime": 0.725,
"startTime": 0.335,
"word": "好，"
},
{
"confidence": 0.51327276,
"endTime": 1.025,
"startTime": 0.985,
"word": "语"
},
{
"confidence": 0.78543895,
"endTime": 1.205,
"startTime": 1.025,
"word": "音"
},
{
"confidence": 0.846961,
"endTime": 1.395,
"startTime": 1.205,
"word": "测"
},
{
"confidence": 0.96582335,
"endTime": 1.695,
"startTime": 1.395,
"word": "试"
}
]
},
"usage": {
"text_words": 7
}
}
最近更新时间：2026.09.29 18:58:31
这个页面对您有帮助吗？
有用
有用
无用
无用