语音互动开发指南

阶跃星辰为开发者提供了语音互动模型，开发者可以使用阶跃星辰的语音互动模型来完成音频生成、音色复刻、语音识别的能力，帮助开发者可以在自己的应用中除了实现标准的大模型的理解能力，还可以实现语音交互。

快速开始

快速生成一段音频

复制如下代码，你可以快速生成一段音频文件。

curl --location 'https://api.stepfun.com/v1/audio/speech' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer $STEP_API_KEY" \
--data '{
    "model":"step-tts-mini",
    "input":"智能阶跃，十倍每一个人的可能",
    "voice":"cixingnansheng"
}'\
--output "step.mp3"

场景与官方音色推荐

阶跃星辰为开发者提供了七大场景数十种官方推荐音色，你可以在这里试听不同的音色，并在 API 当中调用。 但我们强烈建议您通过 音色复刻 的能力，定制您的专属音色。step-tts-2 模型具备业界领先的复刻性能，且复刻音色可0成本支持全部情绪、风格控制。

1. 营销场景

营销场景需要音色具有感染力、说服力和亲和力，能够有效传递产品价值并激发购买欲望。Step-TTS 特色在于能够给出饱满的情绪，给用户以信任感和专业度，让营销内容更具吸引力。

2. 客服场景（电话催收等）

客服场景需要音色亲切、耐心、专业，能够有效安抚用户情绪并提供清晰解决方案。我们提供两种类型的客服音色，step-tts-2 音质突出、情绪饱满、真人感强，前四个推荐音色非常适合电话场景。

3. 有声书场景

有声书需要音色富有表现力、感染力，能够生动展现不同角色和情节氛围。我们的 TTS 特色在于细腻的情感表达和多变的语音风格，让听众沉浸于故事世界。

4. 情感陪伴场景

情感陪伴需要音色温暖、柔和、富有同理心，能够给予用户心理慰藉和支持。我们的 TTS 特色在于细腻的音色温柔动听，情绪感染力强，可为您的用户营造出安全、舒适的交流氛围。

5. 语音助手场景

语音助手需要音色清晰、自然、高效，能够准确理解并响应用户指令。我们的 TTS 特色在于韵律自然，情绪饱满，让您的语音助手既专业又亲切。

6. 视频配音场景

视频配音需要音色富有表现力、节奏感和画面感，能够与视频内容完美融合。我们的 TTS 特色在于精准的情绪表达和语音节奏控制，增强您视频的感染力。

7. 教育与培训场景

教培场景需要音色清晰、准确、有启发性，能够有效传递知识并激发学习兴趣。我们的 TTS 特色在于能把握教师在不同情绪下的声音特点。

官方音色清单

音色标签

音色标签支持语速演绎风格、情绪和语言三种选项；其中情绪类型的标签需要放置在 voice_label.emotion 字段中、语速演绎风格需放置在 voice_label.style 字段中。他们具体的支持情况如下表所示：

输出格式

阶跃星辰 TTS 模型 支持 wav、mp3、flac、opus 和 pcm 格式的音频输出，默认为mp3格式，你可以根据自己的实际情况选择合适的音频格式进行使用。

输出语言

阶跃星辰 TTS 模型支持输出中文、英文，中英混合和日语音频。

FAQ

我是否拥有创造出来的音频？

是的，你创造出来的音频归你所有。但建议在产品上向用户说明相关音频由 AI 生成，以便于用户感知相关音频为 AI 生成。

如何调整生成的音频的音量?

你可以在调用生成 API 时，传入 volume 参数，可选值为 0.1~2.0 ，代表着将音量缩小至 10% ~ 增大至 200%（两倍音量）。

如何调整生成的音频的语速 你可以在调用生成 API 时，传入 speed 参数，可选值为 0.5-2 ，代表着将语速降速为之前的一半 ~ 提速至两倍。