通过 StartVoiceChat 成功开始与 AI 对话后，你可以在对话进行中的任何时刻调用本接口发送实时任务指令或更新任务配置。

注意

旧版接口不推荐再使用，建议切换至新版接口 UpdateVoiceChat（2025\-06\-01）。

* **发送实时指令：** * [手动打断 AI](https://docs.volcengine.com/docs/6348/1511927#.5omL5Yqo5omT5pat)：立即打断 AI当前的语音播报。 * [回传 Function Calling 的工具调用结果](https://docs.volcengine.com/docs/6348/1554654)：向 LLM 回传 Function Calling 的工具调用结果。 * [手动触发 AI 响应](https://docs.volcengine.com/docs/6348/1544164)：结束当前用户的语音输入，立即触发新一轮对话。 * [自定义语音播放](https://docs.volcengine.com/docs/6348/1449206)：让 AI 主动播报一段指定的文本。 * [动态传入上下文](https://docs.volcengine.com/docs/6348/1511926?lang=zh#.5Yqo5oCB5Lyg5YWl5LiK5LiL5paH)：向 LLM 传入下一轮对话的背景信息（不立即回复）。 * [传入文本直接提问](https://docs.volcengine.com/docs/6348/2129096)：通过文本直接向 AI 提问。 * [传入自定义文本让 AI 播报](https://docs.volcengine.com/docs/6348/1449206)：传入一段自定义文本，让 AI 直接合成语音并播报，同时可传入自定义业务信息。 * [图片理解](https://docs.volcengine.com/docs/6348/1408245#.5aSW6YOo5Zu-54mH55CG6Kej)：向具备视觉能力的 LLM 传入图片。 * [动态传入情绪指令标签](https://docs.volcengine.com/docs/6348/2139328)：注入指令标签，来控制 AI 下一轮回复播报的语气（如欢快、伤心）、语速和音量等。 * [暂停或恢复 AI 播报](https://docs.volcengine.com/docs/6348/2389913)：随时暂停或恢复其音频播放，实现类似音乐播放器的暂停/继续效果。 * **更新任务配置（如TTS、LLM 等）：** 具体支持更新的配置项，以 `Parameters` 对象为准。更新配置不影响正在进行的回答，会在下一次提问的时候生效。 ## 使用说明 ### 调用方法关于调用接口的请求结构、公共参数、签名方法、返回结构，参看[调用方法](https://docs.volcengine.com/docs/6348/1899868)。 ### 注意事项 * 请求频率：单账号下 QPS 不得超过 60。 * 请求接入地址：仅支持 `rtc.volcengineapi.com`。 ## 请求说明 * 请求方式：POST * 请求地址：https://rtc.volcengineapi.com?Action=UpdateVoiceChat&Version=2024\-12\-01 ## 调试 [去调试](https://api.volcengine.com/api-explorer/debug?action=UpdateVoiceChat&serviceCode=rtc&version=2024-12-01&groupName=智能体) ## 请求参数下表仅列出该接口特有的请求参数和部分公共参数。更多信息请见[公共参数](https://docs.volcengine.com/docs/6348/1178321)。 ### Query **Action** String 必选示例值：`UpdateVoiceChat` 接口名称。当前 API 的名称为 `UpdateVoiceChat`。 **Version** String 必选示例值：`2024-12-01` 接口版本。当前 API 的版本为 `2024-12-01`。 ### Body **AppId** String 必选示例值： `661e****543cf` 应用的唯一标志。需与调用 `StartVoiceChat` 启动任务时使用的 `AppId` 保持一致。可在[实时音视频_应用管理](https://console.volcengine.com/rtc/aigc/listRTC)获取。 **RoomId** String 必选示例值： `Room1` 通话房间 ID。需与调用 `StartVoiceChat` 启动任务时使用的 `RoomId` 保持一致。 **TaskId** String 必选示例值：`Task1` 目标对话任务的 ID。需与调用 `StartVoiceChat` 启动任务时定义的 `TaskId` 保持一致。 **Command** String 必选示例值：`interrupt` 要执行的指令，决定本次请求的操作意图： * `interrupt`：打断 AI 说话。使用方法参见[手动打断](https://docs.volcengine.com/docs/6348/1511927#.5omL5Yqo5omT5pat)。 * `function`：用于 Function Calling 场景，回传工具执行结果。使用方法，可参见 [函数调用 Function Calling](https://docs.volcengine.com/docs/6348/1554654)。 * `ExternalTextToSpeech`：将指定文本直接送入 TTS 让 AI 主动播报（需配合 `Message` 和`InterruptMode` 字段）。使用方法参看[自定义语音播放](https://docs.volcengine.com/docs/6348/1449206)。 * `ExternalPromptsForLLM`：发送自定义文本作为背景信息，与用户的下一轮语音输入拼接后一同送入 LLM（需配合 `Message` 字段）。使用方法，可参见[动态传入上下文](https://docs.volcengine.com/docs/6348/1511926?lang=zh#.5Yqo5oCB5Lyg5YWl5LiK5LiL5paH)。**注意：此指令在启用端到端语音模型（S2SConfig）时无效**。 * `ExternalTextToLLM`：向 LLM 发送文本或图片信息，直接触发 LLM 回复。**注意：此指令在启用端到端语音模型（S2SConfig）时无效**。 * **文本提问**：配合使用 `Message` 字段，作为当前轮次的用户文本输入。使用方法，可参见[通过文本直接提问](https://docs.volcengine.com/docs/6348/2129096)。 * **图片理解**：传入 `ImageConfig` 字段（必填）发送图片，可同时配合 `Message` 字段（选填）传入关于图片的文本问题。使用方法，可参见[图片理解（发送外部图片问答）](https://docs.volcengine.com/docs/6348/1408245#.5aSW6YOo5Zu-54mH55CG6Kej)。 * `FinishSpeechRecognition`：强制结束当前对话，触发新一轮对话。使用方法，可参见[判停与对话触发](https://docs.volcengine.com/docs/6348/1544164)。 * `UpdateParameters`：更新配置，需配合 `Parameters` 字段使用。 * `SetTTSContext`：为下一轮对话动态设置 TTS 指令标签，使播报具备情感。需配合 `Message` 字段使用。具体使用方法，请参见[情绪识别与生成](https://docs.volcengine.com/docs/6348/2139328)。

注意

SetTTSContext指令仅在使用豆包语音的语音合成大模型（流式输入流式输出），且在 StartVoiceChat 配置 Context.TagParse 为 ture 时生效。

* `UpdateVoicePrintSV`：声纹降噪配置，包括关闭或关闭声纹降噪功能、从预注册声纹切换至实时声纹、更新实时声纹注册时长。**注意**：该指令仅在 [StartVoiceChat](https://docs.volcengine.com/docs/6348/1558163) 中 `VoicePrint.Mode` 为 `1` 时生效。详细功能说明，请参见[动态开启、关闭或更新声纹降噪](https://docs.volcengine.com/docs/6348/2122016#2d12ee9f)。 * `UpdateFarfieldConfig`：更新远场人声抑制配置。**注意**：该指令仅在使用豆包语音的语音识别大模型或豆包语音的声音复刻大模型时生效。 * `AudioCtrl`：控制当前轮次 TTS 播报音频的播放状态，如暂停或继续播放。需配合 `AudioConfig` 字段使。 **Message** String `可选` 示例值：`"{"ToolCallID":"call_cx","Content":"上海天气是台风"}"` 指令内容。该字段是否必填及内容格式，取决于 `Command` 的取值： * 当 `Command` 为 `function` 时：**必填**。填入工具执行结果（JSON 转义字符串）。示例：`"{\"ToolCallID\":\"call_**x\",\"Content\":\"上海天气是台风\"}"`。 * 当 `Command` 为 `ExternalTextToSpeech` 时：**必填**。填入需播报的普通文本。建议长度不超过 200 个字符，以避免合成延迟过高影响体验。 * 当 `Command` 为 `ExternalPromptsForLLM` 时：**必填**。填入需注入 LLM 的背景提示词文本。 * 当 `Command` 为 `ExternalTextToLLM` 时： * **纯文本提问**：**必填**。填入文本问题，且末尾必须包含标点符号。 * **图片理解**：**分场景。** * 若传入 Message：作为图片关联的文本问题（如“这张图里有什么？”），系统会将图片 + 文本送入 LLM，并触发 LLM 生成回复。 * 若传入 Message：系统仅将图片缓存到当前轮次（`GroupID`）的上下文中，不触发 LLM 回复，等待后续指令。适用于分片上传或多图上传场景。 * 当 `Command` 为 `SetTTSContext` 时：**必填**。填入要设置的 TTS 标签（必须为 JSON 转义字符串），该标签仅对下一轮回答生效。`Message` 格式取决于您在 `StartVoiceChat` 中通过 `ResourceId` 指定的 TTS 模型版本： * 语音合成大模型 2.0：`"{\"Tag\":{\"additions\":{\"context_texts\":[\"你的语气再欢乐一点\"]}}}"` * 语音合成大模型 1.0：`"{\"Tag\":{\"audio_params\":{\"emotion\":\"happy\",\"emotion_scale\":5}}}"` 详细说明，请参见[情绪识别与生成](https://docs.volcengine.com/docs/6348/2139328)。 * 当 `Command` 为 `UpdateVoicePrintSV` 时：**必填。** 一个 JSON 转义字符串，示例：`"{\"Enable\": true, \"VoiceDuration\": 10}"`。 * `Enable` (Boolean)：开启或关闭声纹降噪。 * `VoiceDuration`：自动注册声纹所需的有效说话时长。取值为 [2, 33]，单位为秒。 * 当 `Command` 为 `UpdateFarfieldConfig` 时，**必填。** 一个 JSON 转义字符串，示例：`"{\"Enable\": true, \"Level\": \"Medium\", \"Threshold\": 0, \"FixedSource\": false}"`。参数说明及取值要求，参见 [StartVoiceChat](https://docs.volcengine.com/docs/6348/1558163) 中的 `FarfieldConfig`。 * 其他 `Command`：此字段可忽略，无需填写。 **InterruptMode** Integer `可选` 示例值：`1` 指令处理优先级。

注意

仅当 command 为 ExternalTextToSpeech 或 ExternalTextToLLM时生效且必填。

取值说明： * `1`：高优先级。强制终止 AI 当前交互（说话或思考），立即执行本次指令。 * `2`：中优先级。不打断当前交互，等待 AI 完成当前交互后，再执行本次指令。 * `3`：低优先级。如果 AI 处于交互状态，则直接丢弃本次传入的文本或图片信息；否则执行本次指令。 **ImageConfig** Object `可选` 示例值：`-` 图片配置。用于向具备视觉能力的 LLM 传入图片数据（URL），实现图片问答。

注意

仅当 Command 为 ExternalTextToLLM时生效。

**Action** String 必选示例值：`insert` 对图片的操作类型，取值如下： * `insert`：传入图片。将图片发送给 LLM 进行理解。系统会暂时缓存这些图片，以便与后续的文本问题关联。还需填 `Images`（URL列表）和 `GroupID`。 * `delete`：删除指定 `GroupID` 下已缓存的图片数据。 **GroupID** Integer 必选示例值：`2` 图片轮次 ID。`Action` 取值不同作用不同： * `Action` 为 `insert` 时：用于将图片或后续的文本问题关联到同一轮对话中。该 ID 由您自定义和维护，需保证 ID 单调递增。 * `Action` 为 `delete` 时：使用 `GroupID` 来指定要清除哪一轮的图片缓存。 **ImageType** String `可选` 示例值：`url` 图片数据格式。目前固定为 `url`。

注意

仅当 Action 为 insert时生效且必填。

**Images** String[] `可选` 示例值：`["https://your-tos-bucket.volces.com/path/to/image.jpg"]` 指定要传入的图片 URL 地址，必须确保 URL 可被公网访问，否则大模型无法下载解析。

注意

仅当 Action 为 insert时生效且必填。

**Parameters** Object `可选` 示例值：`-` 智能体参数配置。

注意

仅当 Command 为 UpdateParameters时生效且必填。

**Config** Object `可选` 示例值：`-` 包含 LLM、TTS 等模块的具体配置。 **LLMConfig** Object `可选` 示例值：`-` LLM 相关配置。 **SystemMessages** String[] `可选` 示例值：`["你是小宁，性格幽默又善解人意。你在表达时需简明扼要，有自己的观点。"]` 系统提示词。用于定义 AI 的角色设定、行为准则、回复语气及输出格式等。 * **更新**：传入新的字符串数组，将覆盖旧配置。 * **清除**：传入空数组 `[]` 或 `null`，可清除当前预设的系统提示词。 **UserPrompts** Object[] `可选` 示例值：`-` 用户提示词。即预设的用户输入与回答，用于引导模型生成特定的输出或设定对话背景。 * **更新**：传入包含 `Role` 和 `Content` 的对象数组，将全量覆盖旧配置。 * **清除**：传入空数组 `[]` 或 `null`，可清除当前预设的用户提示词。

注意

UserPrompts 设有自动逐出机制：当上下文轮数超过 HistoryLength 限制时，最早的 UserPrompts 会被自动逐出，为新的对话历史腾出空间。一组 user 和 assistant 计为一轮。

示例：若 HistoryLength 设置为 3 且已预存了 2 轮 UserPrompts。在用户与 AI 完成第 1 轮真实对话后，上下文总轮数为 3，此时无需逐出；当用户发起第 2 轮对话时，总轮数变为 4 超过限制，系统会自动移除最早的一轮 UserPrompts，使上下文始终只保留最近的 3 轮记录。

**Role** String `可选` 示例值：`user` 发送消息的角色。支持取值 system、user 和 assistant。其中 user 和 assistant 必须成对出现（一问一答），否则大模型可能会出现未定义行为。 **Content** String `可选` 示例值：`你是谁？` 消息内容。 **TopUserPrompts** Object[] `可选` 示例值：`-` 必须始终保留的用户提示词，用于向大模型注入需持续参考的上下文；支持设置文本与图片。

注意

TopUserPrompts 会占用 HistoryLength（历史对话轮数）。一组 user 和 assistant 计为一轮。例如 HistoryLength 为 10，配置 1 组 TopUserPrompts（一个 user 和一个 assistant）后，剩余可保留的普通历史对话为 9 轮。请根据实际需求合理控制注入的 TopUserPrompts。

仅火山方舟模型支持该功能。

**Role** String 必选示例值：`user` 消息角色。支持取值：`user`、`assistant`。 > user 和 assistant 必须成对出现（一问一答），否则大模型可能会出现未定义行为。 **Content** String 必选示例值：`第一张照片是李雷，喜欢踢足球；第二张照片是韩梅梅，喜欢学英语，爱吃雪糕。` 文本上下文。用自然语言描述需要模型持续记住的信息。

注意

当该条消息同时携带 MultiModalContent 时，Content需与图片一一对应说明，避免图片与文案错配。

**MultiModalContent** Object[] `可选` 示例值：`-` 多模态内容，用于添加图片信息。

注意

仅当 role 为 user 时生效，role=assistant 时不允许携带 MultiModalContent。

需确保 LLM 模型支持视觉理解能力，且已开启视觉理解（即 VisionConfig.Enable 为 true）。

此功能是基于 LLM 多模态能力的语义识别，而非传统的生物特征比对，不建议用于支付验证等高安全性场景。

示例： ```json "MultiModalContent": [{ "Type": "image", "ImageUrl": "https://example.com/image1.jpg " }, { "Type": "image", "ImageUrl": "https://example.com/image2.jpg " }] ``` * **Type** String 必选示例值：`image` 多模态数据类型。当前仅支持取值 `image`。**ImageUrl** String 必选示例值：`https://example.com/image.jpg` 图片 URL。需确保该 URL 可以在公网环境下直接访问。

注意

需先将图片先上传至火山 TOS 后再传入。如何上传，请参见上传对象。

**Tools** Object[] `可选` 示例值：`-` 更新 Function Calling 工具列表，或关闭 Function Calling 功能。 * **更新工具**：传入包含新工具定义的数组，覆盖旧配置。 * **关闭 Function Calling 功能**：设为 `null` 或 `[]`，即可。例如 `{"Tools": null}`。 **type** String `可选` 示例值：`function` 工具类型。目前固定取值 `function`，表示函数调用。 **function** Object `可选` 示例值：`-` 指定模型可以调用的函数列表。 **name** String `可选` 示例值：`get_current_weather` 函数的名称。建议使用清晰、能体现函数作用的英文名。如 `get_current_weather`，而不是 `tool_1` 或 `my_func`。 **description** String `可选` 示例值：`获取指定城市的天气信息` 函数用途的描述。大模型会参考该字段来选择是否使用该函数。建议用一句话清晰概述参数的用途、格式要求，并提供示例。 **parameters** JSONMap `可选` 示例值：`-` 函数的请求参数。大模型会参考该字段来提取函数的入参；如果函数不需要输入参数，则无需指定 `parameters` 参数。该字段必须遵循 [JSON Schema](https://json-schema.org/understanding-json-schema) 格式，其核心结构如下： * `type`：必须是 "object"。 * `properties`：列出支持的所有参数名及其类型。 * `参数名`：须为英文字符串，且不能重复。 * `type`：需遵循 [JSON 规范](https://json-schema.org/docs)，支持类型包括 string、number、boolean、integer、object、array。 * `description`：对参数的清晰描述。引导模型正确提取值，建议包含用途和格式示例。 * `required`：指定函数中必填的参数名，未在此列出的参数则被视为可选。示例： ```JSON { "type": "object", "properties": { "location": { "type": "string", "description": "城市，如：北京" }, }, "required": ["location"], } ``` **VisionConfig** Object `可选` 示例值：`-` 视觉理解能力配置。可更新视觉理解配置，或关闭视觉理解。 * **更新/开启：** 配置 `Enable` 和 `SnapshotConfig`。[如何使用视觉理解能力？](https://docs.volcengine.com/docs/6348/1408245) * **关闭**：将 `VisionConfig` 设置为 `null`，或将 `VisionConfig.Enable` 设置为 `false`。 **Enable** Boolean `可选` 示例值： `true` 是否开启视觉理解功能。 * `false`：不开启。 * `true`：开启。默认值为 `false`。 **SnapshotConfig** Object `可选` 示例值：`-` 抽帧截图配置。系统会按照配置策略在后台自动抽帧截图送入大模型以供理解。 **StreamType** Integer `可选` 示例值：`0` 截图流类型。 * `0`：主流。指来自摄像头的实时视频画面。 * `1`：屏幕共享流。指用户共享的设备屏幕内容（如桌面、应用窗口、PPT 等）。默认值为 `0`。 **TTSConfig** Object `可选` 示例值：`-` 语音合成（TTS）相关配置。你可以按需进行以下操作 * **修改当前 TTS 服务配置**：若保持当前 TTS 服务不变，仅需传入要修改的字段（如只传 `speed_ratio`）。 * **切换 TTS 服务**：如从豆包语音的“语音合成”切到“声音复刻”，必须同时将 `Provider` 和 `ProviderParams` 更换为新服务对应值和支持的字段，以确保覆盖旧配置。 **Provider** String `可选` 示例值： `volcano` 语音合成服务提供商。使用不同语音合成服务时，取值不同。支持使用的语音合成服务及对应取值如下： * `volcano_bidirection` * （豆包语音）语音合成大模型（流式输入流式输出） * （豆包语音）声音复刻大模型（流式输入流式输出） * `minimax`：MiniMax 语音合成 * `ai_gateway`：自定义语音合成模型（通过火山边缘大模型网关接入的） **ProviderParams** `可选` 示例值：`-` 配置所选的语音合成服务。不同服务下，需配置的字段不同：（豆包语音）语音合成大模型_流式输入流式输出_参数透传 Object 此方式支持语音合成大模型（流式输入流式输出）所有配置参数，相较于直传配置更灵活、功能更全面。透传模型参数时，`TTSConfig.ProviderParams` 里包含以下字段： **Credential** Object `可选` 示例值：`-` 语音合成大模型服务的鉴权参数。 **AppId** String `可选` 示例值：`94****11` 开通流式语音合成大模型服务后获取的 App ID，用于标识应用。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/10011?)获取。 **Token** String `可选` 示例值：`OaO****ws1` 与语音合成大模型服务 App ID 对应的 AccessToken，用于身份认证。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/10011?)获取。 **ResourceId** String `可选` 示例值：`volc.service_type.10029` 调用服务的资源信息 ID，不同资源取值不同： * `seed-tts-1.0` 或 `volc.service_type.10029`（默认值）：语音合成大模型 1.0 字符版 * `seed-tts-1.0-concurr` 或 `volc.service_type.10048`：语音合成大模型 1.0 并发版 * `seed-tts-2.0`：语音合成大模型 2.0 字符版 **VolcanoTTSParameters** String `可选` 示例值：`{"req_params":{"speaker":"zh_female_linjianvhai_moon_bigtts"}}` 经过压缩和转义的 JSON 字符串，用于透传双向流 TTS 服务的 [原生 API 参数](https://docs.volcengine.com/docs/DoubaoVoice/bidirectional-streaming-text-to-speech-websocket?lang=zh)。 **如何传**：根据 [双向流式 TTS API 文档](https://docs.volcengine.com/docs/DoubaoVoice/bidirectional-streaming-text-to-speech-websocket?lang=zh)，找到 **Payload 请求参数** 部分，遵循以下原则构建一个标准 JSON 对象，然后将该 JSON 对象压缩并转义为一个 JSON 字符串。参数要求如下： * **必填参数**：必须包含参数 `req_params.speaker`（音色）。说明

说明

音色列表+ 不可传入的参数：不可以包含以下由平台管理的参数：

* user * event * namespace * req_params.text * req_params.audio_params.format * req_params.audio_params.enable_timestamp * req_params.additions.max_length_to_filter_parenthesis * req_params.additions.cache_config、req_params.additions.enable_latex_tn：仅当使用语音合成大模型 2.0（`ResourceId` 为 `seed-tts-2.0`）时，若启用了对齐时间戳的字幕（`SubtitleMode: 0`），不可传入。 * **其他参数**：按需选择（例如 `req_params.audio_params.speech_rate`）。 **示例**：以设置指定的音色（必填）并调整语速（可选）为例 1. 先构建如下 JSON： ```JSON { "req_params": { "speaker": "zh_female_linjianvhai_moon_bigtts", "audio_params": { "speech_rate": 100 } } } ``` 2. 然后将其转为字符串： `"{\"req_params\":{\"speaker\":\"zh_female_linjianvhai_moon_bigtts\",\"audio_params\":{\"speech_rate\":100}}}"` （豆包语音）语音合成大模型_流式输入流式输出_参数直传 Object 此方式封装了语音合成大模型（流式输入流式输出）部分通用参数，接入简单，但无法使用该服务的全部功能。直传模型参数时， `TTSConfig.ProviderParams` 包含以下字段： **app** Object `可选` 示例值：`-` 语音合成大模型服务应用配置。 **appid** String `可选` 示例值：`94****11` 开通语音合成大模型服务后获取的 App ID，用于标识应用。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/8?)获取。 **token** String `可选` 示例值：`OaO****ws1` 与语音合成大模型服务 App ID 对应的 AccessToken，用于身份认证。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/10011?)获取。 **audio** Object `可选` 示例值：`-` 语音合成大模型服务音频配置。 **voice_type** String `可选` 示例值：`BV001_streaming` 音色。填入音色对应的标识 `Voice_type`，可在[豆包语音控制台-语音合成大模型](https://console.volcengine.com/speech/service/10011?)获取。

注意

音色需与 ResourceId 中的模型版本匹配，即语音合成大模型 1.0 仅适用于豆包语音合成模型 1.0 音色，2.0 仅适用于豆包语音合成模型 2.0 音色。详情可参见音色列表。

**speech_rate** Integer `可选` 示例值：`0` 语速。取值范围 `[-50, 100]`，取值越大，语速越快。 * `100`：2.0 倍速。 * `-50`：0.5 倍速。 * `0`（默认值）：原语速。 **ResourceId** String `可选` 示例值：`volc.service_type.10029` 调用服务的资源信息 ID，支持的取值如下： * `seed-tts-1.0` 或 `volc.service_type.10029`（默认值）：语音合成大模型 1.0 字符版 * `seed-tts-1.0-concurr` 或 `volc.service_type.10048`：语音合成大模型 1.0 并发版 * `seed-tts-2.0`：语音合成大模型 2.0 字符版 **additions** Object `可选` 示例值：`-` 语音合成大模型服务高级配置。 **enable_latex_tn** Boolean `可选` 示例值：`true` 播报 LaTeX 公式。启用后，AI 能够以自然语言朗读文本中的 LaTeX 格式的数学公式。 * `false`（默认值）：不播报。 * `true`：播报。为`true` 时，`disable_markdown_filter` 也需为 `true` 才生效。 **效果示例：** ```Plain LLM 返回：根据公式 a^2 + b^2 = c^2 可知... AI 播报：根据公式 a 的平方加上 b 的平方等于 c 的平方可知... 字幕显示：根据公式 a^2 + b^2 = c^2 可知... ``` **disable_markdown_filter** Boolean `可选` 示例值：`true` 过滤 Markdown 格式。启用后，语音合成时会自动过滤 LLM 返回文本中的 Markdown 格式符号（如加粗、标题等），确保语音播报的连贯性。 * `false`（默认值）：不过滤。 * `true`：过滤。 **效果示例**： ```Plain LLM 返回：请执行 **grep** 命令查看日志。 AI 播报：请执行 grep 命令查看日志。字幕显示：请执行 **grep** 命令查看日志。 ``` **enable_language_detector** Boolean `可选` 示例值：`true` 是否自动识别语种。[支持哪些语种？](https://www.volcengine.com/docs/6561/1257543) * `true`：自动识别。 * `false`：不自动识别。默认值为 `false`。（豆包语音）声音复刻大模型_流式输入流式输出_参数透传 Object 此方式支持声音复刻大模型（流式输入流式输出）所有配置参数，相较于直传配置更灵活、功能更全面。透传模型参数时，`TTSConfig.ProviderParams` 包含以下字段： **Credential** Object `可选` 示例值：`-` 声音复刻大模型的鉴权参数。 **AppId** String `可选` 示例值：`94****11` 开通声音复刻大模型服务后获取的 App ID，用于标识应用。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/9999?)获取。 **Token** String `可选` 示例值：`OaO****ws1` 与开通声音复刻大模型服务 App ID 对应的 AccessToken，用于身份认证。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/9999?)获取。 **ResourceId** String `可选` 示例值：`seed-icl-2.0` 调用服务的资源信息 ID，支持的取值如下： * `seed-icl-1.0` 或 `volc.service_type.10029`（默认值）：声音复刻 1.0 字符版 * `seed-icl-1.0-concurr`：声音复刻 1.0 并发版 * `seed-icl-2.0`：声音复刻 2.0 字符版 **VolcanoTTSParameters** String `可选` 示例值：`"{"req_params":{"speaker":"S_The****K1"}}"` 经过压缩和转义的 JSON 字符串，用于透传双向流 TTS 服务的 [原生 API 参数](https://docs.volcengine.com/docs/DoubaoVoice/bidirectional-streaming-text-to-speech-websocket?lang=zh)。 **如何传**：根据 [双向流式 TTS API 文档](https://docs.volcengine.com/docs/DoubaoVoice/bidirectional-streaming-text-to-speech-websocket?lang=zh)，找到 **Payload 请求参数** 部分，遵循以下原则构建一个标准 JSON 对象，然后将该 JSON 对象压缩并转义为一个 JSON 字符串。参数要求如下： * **必填参数**：必须包含参数 `req_params.speaker`（复刻声音 ID）。可在[豆包语音控制台-声音复刻大模型](https://console.volcengine.com/speech/service/9999)获取。 * **不可传入的参数**：不可以包含以下由平台管理的参数： * user * event * namespace * req_params.text * req_params.audio_params.format * req_params.audio_params.enable_timestamp * req_params.additions.max_length_to_filter_parenthesis * req_params.additions.cache_config、req_params.additions.enable_latex_tn：仅当使用声音复刻大模型 2.0（`ResourceId` 为 `seed-icl-2.0`）时，若启用了对齐时间戳的字幕（`SubtitleMode: 0`），不可传入。 * **其他参数**：按需选择（例如 `req_params.audio_params.speech_rate`）。 **示例**：以设置指定的音色（必填）并调整语速（可选）为例 1. 先构建 JSON 对象： ```JSON { "req_params": { "speaker": "S_The****K1", "audio_params": { "speech_rate": 100 } } } ``` 2. 将其转为 JSON 字符串： `"{\"req_params\":{\"speaker\":\"S_The****K1\",\"audio_params\":{\"speech_rate\":100}}}"` （豆包语音）声音复刻大模型_流式输入流式输出_参数直传 Object 此方式封装了声音复刻大模型（流式输入流式输出）部分通用参数，接入简单，但无法使用该服务的全部功能。直传模型参数时，`TTSConfig.ProviderParams` 包含以下字段： **app** Object `可选` 示例值：`-` 声音复刻大模型服务应用配置。 **appid** String `可选` 示例值：`94****11` 开通声音复刻大模型服务后获取的 App ID，用于标识应用。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/9999?)获取。 **token** String `可选` 示例值：`OaO****ws1` 与开通声音复刻大模型服务 App ID 对应的 AccessToken，用于身份认证。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/9999?)获取。 **audio** Object `可选` 示例值：`-` 声音复刻大模型服务音频配置。 **voice_type** String `可选` 示例值：`S_N****T7k1` 声音复刻声音 ID。你可登录[豆包语音控制台](https://console.volcengine.com/speech/service/9999?)购买并获取。 **speech_rate** Integer `可选` 示例值：`0` 语速。取值范围 `[-50, 100]`，取值越大，语速越快。 * `100`：2.0 倍速。 * `-50`：0.5 倍速。 * `0`（默认值）：原语速。 **ResourceId** String `可选` 示例值：`seed-icl-2.0` 调用服务的资源信息 ID，支持的取值如下： * `seed-icl-1.0` 或 `volc.service_type.10029`（默认值）：声音复刻 1.0 字符版 * `seed-icl-1.0-concurr`：声音复刻 1.0 并发版 * `seed-icl-2.0`：声音复刻 2.0 字符版 **additions** Object `可选` 示例值：`-` 声音复刻大模型服务高级配置。 **enable_latex_tn** Boolean `可选` 示例值：`true` 播报 LaTeX 公式。启用后，AI 能够以自然语言朗读文本中的 LaTeX 格式的数学公式。 * `false`（默认值）：不播报。 * `true`：播报。为`true` 时，`disable_markdown_filter` 也需为 `true` 才生效。 **效果示例：** ```Plain LLM 返回：根据公式 a^2 + b^2 = c^2 可知... AI 播报：根据公式 a 的平方加上 b 的平方等于 c 的平方可知... 字幕显示：根据公式 a^2 + b^2 = c^2 可知... ``` **disable_markdown_filter** Boolean `可选` 示例值：`true` 过滤 Markdown 格式。启用后，语音合成时会自动过滤 LLM 返回文本中的 Markdown 格式符号（如加粗、标题等），确保语音播报的连贯性。 * `false`（默认值）：不过滤。 * `true`：过滤。 **效果示例**： ```Plain LLM 返回：请执行 **grep** 命令查看日志。 AI 播报：请执行 grep 命令查看日志。字幕显示：请执行 **grep** 命令查看日志。 ``` **enable_language_detector** Boolean `可选` 示例值：`true` 是否自动识别语种。 * `true`：自动识别。 * `false`：不自动识别。默认值为 `false`。 MiniMax 语音合成 Object 使用 MiniMax 语音合成时， `TTSConfig.ProviderParams` 包含以下字段： **Authorization** String `可选` 示例值：`eyJhbG****SUzI1N` API 密钥。前往 [Minimax 账户管理-接口密钥](https://platform.minimaxi.com/login)获取。 **Groupid** String `可选` 示例值：`983*****669` 用户所属组 ID。前往 [Minimax 账号信息-基本信息](https://platform.minimaxi.com/login)获取。 **model** String `可选` 示例值：`speech-01-turbo` 发起请求的模型版本： * `speech-01-turbo`：最新模型，拥有出色的效果与时延表现。 * `speech-01-240228`：稳定版本模型，效果出色。 * `speech-01-turbo-240228`：稳定版本模型，时延更低。 **URL** String `可选` 示例值：`https://api.minimax.chat/v1/t2a_v2` 请求语音合成 URL，该参数固定取值：`https://api.minimax.chat/v1/t2a_v2`。 **voice_setting** Object `可选` 示例值：`-` 音频配置。 **speed** Float `可选` 示例值：`1.0` 语速。取值越大，语速越快。取值范围为 `[0.5, 2]`，默认值为 `1.0`。 **vol** Float `可选` 示例值：`1.0` 音量。取值越大，音量越高。取值范围为 `(0, 10]`，默认值为 `1.0`。 **pitch** Float `可选` 示例值：`0.0` 语调。取值越大，语调越高。取值范围为 `[-12, 12]`，且必须为整数。默认值为 `0`，表示原音色输出。 **voice_id** String `可选` 示例值：`male-qn-jingying` 系统音色编号/复刻音色编号。 * 系统音色可前往 [voice_setting.voice_id](https://platform.minimaxi.com/document/T2A%20V2?key=66719005a427f0c8a5701643#YqSh1KAoyms1WH4XJrdeIrrb) 查询。 * 克隆音色参看 [FAQ](https://platform.minimaxi.com/document/FAQ?key=66701d031d57f38758d581be)。

注意

voice_id 与 timber_weights必须设置其中一个。

**pronunciation_dict** Object `可选` 示例值：`-` 特殊标注配置。可对特殊文字、符号指定发音。 **tone** String[] `可选` 示例值：`["燕少飞/(yan4)(shao3)(fei1)","达菲/(da2)(fei1)"，"omg/oh my god"]` 用于替换需要特殊标注的文字、符号及对应的发音，可用于调整声调或指定其他字符的发音。格式为 `"原文字/注音"`，注音部分根据语言类型采用不同方式标注： * 英文注音：使用对应发音的英文单词，例如：`"omg/oh my god"`。 * 中文注音：使用拼音，并在每个音节后以括号标注声调，音调用数字表示： * 一声（阴平）：1 * 二声（阳平）：2 * 三声（上声）：3 * 四声（去声）：4 * 轻声：5 例如，`"燕少飞/(yan4)(shao3)(fei1)"`、`"达菲/(da2)(fei1)"`。默认为空。 **timber_weights** Object[] `可选` 示例值：`-` 合成音色权重设置。可通过该参数设置多种音色混合，并调整每个具体音色权重。最多支持 4 种音色混合。

注意

timber_weights 与 VoiceSetting.voice_id必须设置其中一个。

**voice_id** String `可选` 示例值：`male-qn-jingying` 音色编号。当前仅支持系统音色，可前往 [voice_setting.voice_id](https://platform.minimaxi.com/document/T2A%20V2?key=66719005a427f0c8a5701643#YqSh1KAoyms1WH4XJrdeIrrb) 查询。 **weight** Integer `可选` 示例值：`1` 权重。取值为整数，单一音色取值占比越高，合成音色越像。取值范围为 `[1, 100]`。 **stream** Boolean `可选` 示例值：`false` 是否开启流式输出。 * `false`：不开启流式输出。 * `true`：开启流式输出。默认值为 `false`。自定义语音合成 Object 使用自定义语音合成时，`TTSConfig.ProviderParams` 包含以下字段： **URL** String `可选` 示例值：`wss://ai-gateway.vei.volces.com/v1/realtime?model=ttsname`

注意

配置前，请确保：

已准备好自定义 TTS 接口，并满足自定义语音合成（TTS）模型接口协议。

已将自定义 TTS 接入到火山边缘智能大模型网关。具体操作，请参见调用自部署模型。

边缘大模型网关的服务接入点 URL。StartVoiceChat 会通过此地址连接到网关，网关再将请求转发给你的定义 TTS 服务。 URL 为固定格式：`wss://ai-gateway.vei.volces.com/v1/realtime?model=` 其中，`` 需替换为在边缘大模型网关控制台中自定义的模型调用名称，获取路径：[边缘大模型网关_大模型管理](https://console.volcengine.com/vei/aigateway/llm-list) ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_ff80ee27aa622676305e0c405d75fadc.png) **APIKey** String `可选` 示例值：`sk-xxxxxx` 网关访问密钥。将自定义模型接入边缘大模型网关时所配置的，获取路径如下：[边缘大模型网关_网关访问密钥](https://console.volcengine.com/vei/aigateway/tokens-list)。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_6a5b014e0d9dc3598313f752395af14f.png) **Voice** String `可选` 示例值：`-` 音色。填入自定义 TTS 服务所支持的音色名称。 **OutputAudioSpeedRate** Float `可选` 示例值：`0.0` 语速。 > 透传字段，限制或实际行为与自定义模型保持一致。 **OutputAudioVolume** Float `可选` 示例值：`1.0` 音量。 > 透传字段，限制或实际行为与自定义模型保持一致。 **OutputAudioPitchRate** Float `可选` 示例值：`0.0` 音调。 > 透传字段，限制或实际行为与自定义模型保持一致。 **ExtraData** JSONMap `可选` 示例值：`-` 传入自定义参数，将以 JSON 格式透传给你的自定义 TTS 服务。 **ExtraHeader** JSONMap `可选` 示例值：`-` 自定义透传 Header。一个 JSON 对象，其键值对将作为额外的 HTTP Header 字段，透传到您的自定义 TTS 服务请求中，可用于鉴权或其他自定义逻辑。 **language_boost** String `可选` 示例值：`auto` 增强指定小语种/方言场景下的语音表现。不同场景下取值及含义如下： * 不明确小语种类型：`auto`。取值为 `auto` 时，模型将自主判断小语种类型。 * 小语种： * `Spanish`：西班牙语 * `French`：法语 * `Portuguese`：葡萄牙语 * `Korean`：韩语 * `Indonesian`：印度尼西亚语 * `German`：德语 * `Japanese`：日语 * `Italian`：意大利语 * `auto`：自动模式 * 方言： * `Chinese,Yue`：粤语。`Chinese,Yue` 仅当 `MiniMaxTTSConfig.model=speech-01-turbo` 时生效。默认值为空。 **IgnoreBracketText** Integer[] `可选` 示例值：`[1,2]` 过滤 LLM 返回内容中指定括号内的文字，再进行语音合成。您可通过 System Prompt 引导 LLM 在回复文本中生成指定格式的自定义指令（如动作、情绪）。同时结合该字段让指令不被 TTS 播报，且会随字幕下发至客户端，用于实现本地业务逻辑，触发客户端 UI 等场景。支持取值（默认为空，表示不过滤）： * 1：中文括号（） * 2：英文括号 () * 3：中文方括号【】 * 4：英文方括号 [] * 5：英文花括号 {} **使用说明** * **使用限制**：该功能仅在使用豆包语音的 TTS 服务时生效。 * **使用方法**：参见[传递自定义指令](https://docs.volcengine.com/docs/6348/2386107)。 * **长度限制**：单组括号内的内容长度上限为 500 字符，超出限制的内容将无法被过滤。 * **字幕显示**：一般情况下，被过滤的内容仍会显示在字幕中，但不会被播放。若括号内容位于回复的**最末端**，且被判定为独立句子（其后无其他有效语义），则会显示在字幕中。 * `...我知无不言！(自信满满）。` → `(自信满满）。`不会显示在字幕中。 * `...我知无不言（自信满满）！` → `(自信满满）！` 会显示在字幕中。 **InterruptMode** Integer `可选` 示例值：`0` 是否启用语音打断（发声即打断）： * `0`：开启。开启后，一旦检测到用户发出声音，AI 立刻停止输出。 * `1`：关闭。关闭后，AI 说话期间，用户语音输入内容会被忽略不做处理，不会打断 AI 讲话。默认值为 `0`。 **AudioConfig** Object `可选` 示例值：`-` 音频控制参数。

注意

仅当 Command 为 AudioCtrl时生效且必填。

**Action** String 必选示例值：`pause` 音频播放操作： * `pause`：暂停播放。 * `play`：继续播放。

注意

仅对当前轮次的对话生效。若智能体被打断或开启新一轮对话，则控制状态自动失效。

开启音频快速发送（AgentConfig.Burst）功能后，暂停或恢复 AI 音频播放功能将失效。

**AdvanceConfig** Object `可选` 示例值：`-` 外部文本播报的高级配置。用于指定外部文本所属的对话轮次，并将业务自定义信息随该轮字幕透传给客户端。 \*\*典型场景：\*\*当需要将大量自定义文本作为 AI 回复播报时（例如外部大模型的流式回复、长篇的业务话术等），若还需要知道这段播报属于哪条业务回复、当前回复是否结束、后续是否要继续等待等。此时可将业务协议写入 `CustomInfo`，由系统随字幕透传给客户端或服务端。

注意

仅当 Command 为 ExternalTextToSpeech时生效。

**RoundID** Integer `可选` 示例值：`3` 本次外部文本播报所属的对话轮次 ID。 **CustomInfo** JSONMap `可选` 示例值：`{"finish": true}` 业务自定义信息，需使用键值对。系统会将该自定义信息随同一轮次的字幕通过 `customInfo` 原样透传给客户端或服务端。

注意

建议仅传入业务关联所需的信息，避免传入敏感数据或过大的对象。

若本次外部文本进入安抚语处理逻辑，CustomInfo不会随字幕下发。

## 返回参数本接口无特有的返回参数。公共返回参数请见[返回结构](https://docs.volcengine.com/docs/6348/1178322)。其中返回值 `Result` 仅在请求成功时返回 `ok`，失败时为空。 ## 错误码您可访问[公共错误码](https://docs.volcengine.com/docs/6348/70426)，获取更多错误码信息。