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
Step Plan 场景请使用 POST https://api.stepfun.com/step_plan/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 stepaudio-2.5-tts。
step-tts-vivid 模型名称不再推荐使用，但历史用户请求仍会继续支持。
-
input string required
要生成的文本，最大长度为 1000 个字符。在使用 stepaudio-2.5-tts 时，括号 () 内的内容将作为指令处理默认不发音，如需发音请勿使用括号包裹。
-
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
⚠️ 注意：stepaudio-2.5-tts 模型不支持该字段，若传入voice_label参数会报错。 若使用 stepaudio-2.5-tts 模型，请直接使用 instruction 字段或文本内的 () 提示词来控制情绪与风格。其他模型的支持情况可参考音色标签。
-
instruction string optional
全局自然语言指导。仅在使用 stepaudio-2.5-tts 模型时生效，其他模型若传入该参数会报错。用于设定整段音频的全局情绪基调、角色人设等。最大长度限制为 200 个字符。
-
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。其中 48000 为最近几次迭代新增的采样率。
-
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。
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，数据包格式如下：
data: {"type":"speech.audio.delta","audio":"<BASE64 编码的音频片段>"}
data: {"type":"speech.audio.delta","audio":"<BASE64 编码的音频片段>"}
data: {"type":"speech.audio.done","audio":""}
data: [DONE]
speech.audio.delta：音频数据分片，audio 字段为该分片的 BASE64 编码二进制，拼接所有分片即为完整音频speech.audio.done：生成完成，audio 为空字符串speech.audio.error：生成过程中出错
-
markdown_filter bool optional
是否启用 Markdown 过滤。
-
return_url bool optional
仅对非流式生效，是否以 URL 而不是二进制流的形式返回，URL 12 小时内有效。
请求响应
音频文件
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)
import OpenAI from "openai";
import fs from "fs";
import path from "path";
const STEP_API_KEY = "STEP_API_KEY";
const STEP_API_MODEL = "step-tts-mini";
const openai = new OpenAI({
apiKey: STEP_API_KEY,
baseURL: "https://api.stepfun.com/v1"
});
async function main() {
const speechFile = path.resolve("./speech.mp3");
const mp3 = await openai.audio.speech.create({
model: STEP_API_MODEL,
voice: "cixingnansheng",
input: "智能阶跃，十倍每个人的可能.",
extra_body: {
volume: 2.0, // 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"
]
}
}
});
console.log(speechFile);
const buffer = Buffer.from(await mp3.arrayBuffer());
await fs.promises.writeFile(speechFile, buffer);
}
main();
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"
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(
# 【修改】指定为 stepaudio-2.5-tts 模型
model="stepaudio-2.5-tts",
voice="cixingnansheng",
# 【修改】长度严格 <=1000 字符。括号 () 内作为指令处理不发音；需发音文本直接写（如"北京"）。
input="（冷笑）你以为我们阶跃星辰北京公司的技术是开玩笑的吗！",
extra_body={
"volume": 1.0, # volume 在拓展参数里
# 【新增】TTS 2.5 专属全局情绪指令（限制 200 字符以内）
"instruction": "语气极其愤怒，压迫感强，语速偏快",
# ⚠️ 注意: stepaudio-2.5-tts 不支持 voice_label 字段，调用时请勿传入
# "voice_label": {
# "language": "粤语",
# "emotion": "高兴",
# "style": "慢速"
# },
"pronunciation_map": {
"tone": [
"阿胶/e1胶",
"扁舟/偏舟",
"LOL/laugh out loudly"
]
}
}
)
response.stream_to_file(speech_file_path)
