跳转到主要内容
生成音频，此 API 可以使用 TTS 模型生成音频。

​
请求地址

POST https://api.stepfun.com/v1/audio/speech

​
请求参数

  • model string required
    需要使用的模型名称，当前支持 step-tts-2 、 step-tts-mini 和 step-tts-vivid。
  • input string required
    要生成的文本，最大长度为 1000 个字符
  • voice string required
    生成时使用的音色信息，支持官方音色和开发者自生成音色。
  • response_format string optional
    返回的音频格式，支持 wav,mp3,flac,opus,pcm. 默认为 mp3 格式
  • speed float optional
    语速，取值范围为 0.5~2，默认值 1.0。0.5 表示 0.5 倍速。
  • volume float optional
    音频，取值范围为 0.1~2.0，默认值 1.0。0.1 表示缩小至 10% 音量；2.0 表示扩大至 200% 音量。
  • voice_label object optional
    音色标签，使用自定义音色时需要传入。language、emotion 和 style 三个自动同时只能有一个字段有值，暂不支持多个组合。
    • language string optional
      语言，支持粤语、四川话、日语 三个选项。
    • emotion string optional
      情绪，支持 高兴、生气等最多 11 个选项， 不同模型的支持情况可参考音色标签
    • style string optional
      支持最多17种语速或演绎风格，不同模型的支持情况可参考音色标签
  • sample_rate integer optional
    采样率，支持 8000、16000、22050、24000、48000 五个选项。默认值为 24000。采样率越高，音质越好，但文件体积也会更大。
  • pronunciation_map object array optional
    定义某个文字或符号注音或发音替换规则，在中文文本中，声调用数字表示：一声为1，二声为2，三声为3，四声为4，轻声为5。注：step-tts-vivid 模型暂不支持该字段。
    • tone string required
      具体发音映射规则，以“/”隔开，示例：["绯闻/fei1闻","扁舟/偏舟","嫉妒/ji2妒"]
  • stream_format string optional
    流式返回，默认为返回语音，支持值 sse 和 audio,默认为 audio。当传入sse时，音频将会以 SSE 的方式返回。

​
请求响应

音频文件

​
示例

from pathlib import Path
from openai import OpenAI

speech_file_path = Path(**file**).parent / "step-tts.mp3"

client = OpenAI(
api_key="STEP_API_KEY",
base_url="https://api.stepfun.com/v1"
)
response = client.audio.speech.create(
model="step-tts-mini",
voice="cixingnansheng",
input="智能阶跃，十倍每个人的可能.",
extra_body={
  "volume":1.0 ,# volume 在拓展参数里
  "voice_label":{
    "language": "粤语", # 可选：语言
    "emotion": "高兴", # 可选：情感
    "style": "慢速" # 可选：说话语速
  },
  "pronunciation_map":{
    "tone":[
      "阿胶/e1胶",
      "扁舟/偏舟",
      "LOL/laugh out loudly"
      ]
  }
}
)
response.stream_to_file(speech_file_path)