复刻试听

​

请求地址

​

请求参数

• model string required
  复刻使用的模型，支持 step-tts-2、step-tts-mini 和 stepaudio-2.5-tts。
• file_id string required
  参考音频文件 ID。通过 上传文件 接口获取，上传时 purpose 必须为 storage。
• text string optional
  参考音频对应文本。不传则自动走 ASR 识别；为保证效果，建议传入。
• sample_text string required
  试听文本，长度建议限制在 50 字以内。
• 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
  音量，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 三个字段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。

• 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。
• 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"]。
• markdown_filter bool optional
  是否启用 Markdown 过滤。

​

请求响应

• sample_text string
  试听音频对应的文本。
• sample_audio string
  试听音频的 base64 格式内容，格式为 WAV，可转换成文件后播放。
• request_id string
  本次请求的唯一标识。

​

示例

curl -L 'https://api.stepfun.com/v1/audio/voices/preview' \
-H 'Content-Type: application/json' \
-H "Authorization: Bearer $STEP_API_KEY" \
-d '{
    "file_id": "file-Ckyl3cV09A",
    "model": "stepaudio-2.5-tts",
    "text": "智能阶跃，十倍每一个人的可能",
    "sample_text": "今天天气不错",
    "instruction": "语气温柔，语速偏慢"
}'