该API支持基于文本到语音的同步生成,单次文本传输最大10000字符。接口本身为无状态接口,即单次调用时,模型所接收到的信息量仅为接口传入内容,不涉及业务逻辑,同时模型也不存储您传入的数据。
该接口支持以下功能:
-
支持100+系统音色、复刻音色自主选择;
-
支持音量、语调、语速、输出格式调整;
-
支持按比例混音功能;
-
支持固定间隔时间控制;
-
支持多种音频规格、格式,包括:mp3,pcm,flac,wav。注:wav仅在非流式输出下支持;
-
支持流式输出。
该接口的适用场景:短句生成、语音聊天、在线社交等
以下模型具备卓越的跨语言能力,全面支持24种全球广泛使用的语言。 我们致力于打破语言壁垒,构建真正意义上的全球通用人工智能模型。 包含中文 (Chinese)、粤语 (Cantonese)、英语 (English)、西班牙语 (Spanish)、法语 (French)、俄语 (Russian)、德语 (German)、葡萄牙语 (Portuguese)、阿拉伯语 (Arabic)、意大利语 (Italian)、日语 (Japanese)、韩语 (Korean)、印尼语 (Indonesian)、越南语 (Vietnamese)、土耳其语 (Turkish)、荷兰语 (Dutch)、乌克兰语 (Ukrainian)、泰语(Thai)、波兰语(Polish)、罗马尼亚语(Romanian)、希腊语(Greek)、捷克语(Czech)、芬兰语(Finnish)、印地语(Hindi)
| 模型 | 备注 |
|---|---|
| speech-02-hd | 全新的HD模型,拥有更出色的韵律和稳定性,复刻相似度和音质表现突出 |
| speech-02-turbo | 全新的Turbo模型,拥有更出色的韵律和稳定性,小语种能力加强,性能表现出色 |
| speech-01-hd | 最新的模型架构,拥有最出色的音质和复刻相似度。 |
| speech-01-turbo | 最新的模型,拥有出色的效果与时延表现。此模型将不定期迭代优化,以提供更优的体验。 |
| speech-01-240228 | 稳定版本的模型,效果出色。稳定版本适合对可能出现的细微音色变化敏感的场景。 |
| speech-01-turbo-240228 | 稳定版本的模型,时延更低。稳定版本适合对可能出现的细微音色变化敏感的场景。 |
github链接:https://github.com/MiniMax-AI/MiniMax-MCP
接口地址:https://api.minimax.chat/v1/t2a_v2
string 必填
HTTP:Bearer Auth
- Security Scheme Type: http
- HTTP Authorization Scheme: Bearer
API_key,可在账户管理>接口密钥中查看。
application/json 必填
Content-Type。
使用发放的值 必填
用户所属的组。使用发放的值。该值应拼接在调用API的url末尾。
string 必填
请求的模型版本:speech-02-hd、speech-02-turbo、speech-01-hd、speech-01-turbo、speech-01-240228、speech-01-turbo-240228
string 必填
待合成的文本,长度限制<10000字符,段落切换用换行符替代。(如需要控制语音中间隔时间,在字间增加<#x#>,x单位为秒,支持0.01-99.99,最多两位小数)。支持自定义文本与文本之间的语音时间间隔,以实现自定义文本语音停顿时间的效果。需要注意的是文本间隔时间需设置在两个可以语音发音的文本之间,且不能设置多个连续的时间间隔。
参数
speed 范围[0.5,2],默认值为1.0
生成声音的语速,可选,取值越大,语速越快。
vol 范围(0,10],默认值为1.0
生成声音的音量,可选,取值越大,音量越高。
pitch 范围[-12,12],默认值为0
生成声音的语调,可选,(0为原音色输出,取值需为整数)。
voice_id string
请求的音色编号。与 timber_weights 二选一“必填”。
支持系统音色(id)以及复刻音色(id)两种类型,其中系统音色(ID)如下:
青涩青年音色:male-qn-qingse
精英青年音色:male-qn-jingying
霸道青年音色:male-qn-badao
青年大学生音色:male-qn-daxuesheng
少女音色:female-shaonv
御姐音色:female-yujie
成熟女性音色:female-chengshu
甜美女性音色:female-tianmei
男性主持人:presenter_male
女性主持人:presenter_female
男性有声书1:audiobook_male_1
男性有声书2:audiobook_male_2
女性有声书1:audiobook_female_1
女性有声书2:audiobook_female_2
青涩青年音色-beta:male-qn-qingse-jingpin
精英青年音色-beta:male-qn-jingying-jingpin
霸道青年音色-beta:male-qn-badao-jingpin
青年大学生音色-beta:male-qn-daxuesheng-jingpin
少女音色-beta:female-shaonv-jingpin
御姐音色-beta:female-yujie-jingpin
成熟女性音色-beta:female-chengshu-jingpin
甜美女性音色-beta:female-tianmei-jingpin
聪明男童:clever_boy
可爱男童:cute_boy
萌萌女童:lovely_girl
卡通猪小琪:cartoon_pig
病娇弟弟:bingjiao_didi
俊朗男友:junlang_nanyou
纯真学弟:chunzhen_xuedi
冷淡学长:lengdan_xiongzhang
霸道少爷:badao_shaoye
甜心小玲:tianxin_xiaoling
俏皮萌妹:qiaopi_mengmei
妩媚御姐:wumei_yujie
嗲嗲学妹:diadia_xuemei
淡雅学姐:danya_xuejie
Santa Claus:Santa_Claus
Grinch:Grinch
Rudolph:Rudolph
Arnold:Arnold
Charming Santa:Charming_Santa
Charming Lady:Charming_Lady
Sweet Girl:Sweet_Girl
Cute Elf:Cute_Elf
Attractive Girl:Attractive_Girl
Serene Woman:Serene_Woman
emotion string
控制合成语音的情绪;
当前支持7种情绪:高兴,悲伤,愤怒,害怕,厌恶,惊讶,中性;
参数范围["happy", "sad", "angry", "fearful", "disgusted", "surprised", "neutral"]
该参数仅对 speech-02-hd,speech-02-turbo,speech-01-turbo,speech-01-hd生效
latex_read bool
控制是否支持朗读latex公式,默认为false。
需注意:
1. 请求中的公式需要在公式的首尾加上$$;
2. 请求中公式若有"\",需转义成"\\"。
示例:导数的基本公式是$$\\frac{d}{dx}(x^n) = nx^{n-1}$$
english_normalization bool
该参数支持英语文本规范化,可提升数字阅读场景的性能,但会略微增加延迟。如果未提供,则默认值为 false。
参数
sample_rate 范围【8000,16000,22050,24000,32000,44100】
生成声音的采样率。可选,默认为32000。
bitrate 范围【32000,64000,128000,256000】
生成声音的比特率。可选,默认值为128000。该参数仅对mp3格式的音频生效。
format string
生成的音频格式。默认mp3,范围[mp3,pcm,flac,wav]。wav仅在非流式输出下支持。
channel int
生成音频的声道数.默认1:单声道,可选:
1:单声道
2:双声道
参数
tone list
替换需要特殊标注的文字、符号及对应的注音。
替换发音(调整声调/替换其他字符发音),格式如下:
["燕少飞/(yan4)(shao3)(fei1)","达菲/(da2)(fei1)","omg/oh my god"]
声调用数字代替,一声(阴平)为1,二声(阳平)为2,三声(上声)为3,四声(去声)为4),轻声为5。
与voice_id二选一 必填
参数
voice_id string
请求的音色id。须和weight参数同步填写。
weight 范围[1,100]
权重,须与voice_id同步填写。最多支持4种音色混合,取值为整数,单一音色取值占比越高,合成音色越像。
boolean
是否流式。默认false,即不开启流式。
string, 默认为null
增强对指定的小语种和方言的识别能力,设置后可以提升在指定小语种/方言场景下的语音表现。如果不明确小语种类型,则可以选择"auto",模型将自主判断小语种类型。支持以下取值: 'Chinese', 'Chinese,Yue', 'English', 'Arabic', 'Russian', 'Spanish', 'French', 'Portuguese', 'German', 'Turkish', 'Dutch', 'Ukrainian', 'Vietnamese', 'Indonesian', 'Japanese', 'Italian', 'Korean', 'Thai', 'Polish', 'Romanian', 'Greek', 'Czech', 'Finnish', 'Hindi', 'auto'
bool
控制是否开启字幕服务的开关。默认为false。此参数仅对speech-01-turbo speech-01-hd有效。
string
控制输出结果形式的参数。可选值为url hex。默认值为hex。该参数仅在非流式场景生效,流式场景仅支持返回hex形式。
请求成功(非流式)
{
"model":"speech-02-hd",
"text":"真正的危险不是计算机开始像人一样思考,而是人开始像计算机一样思考。计算机只是可以帮我们处理一些简单事务。",
"stream":False,
"language_boost":"auto",
"output_format":"hex",
"voice_setting":{
"voice_id":"male-qn-qingse",
"speed":1,
"vol":1,
"pitch":0,
"emotion":"happy"
},
"audio_setting":{
"sample_rate":32000,
"bitrate":128000,
"format":"mp3"
}
}请求成功(流式)
{
"model":"speech-02-turbo",
"text":"真正的危险不是计算机开始像人一样思考,而是人开始像计算机一样思考。计算机只是可以帮我们处理一些简单事务。",
"stream":True,
"language_boost":"auto",
"output_format":"hex",
"voice_setting":{
"voice_id":"male-qn-qingse",
"speed":1,
"vol":1,
"pitch":0,
},
"audio_setting":{
"sample_rate":32000,
"bitrate":128000,
"format":"mp3"
}
}data object
data可能返回为null,参考示例代码时,注意进行非空判断。
参数
audio string
合成后的音频片段,采用hex编码,按照输入定义的格式进行生成(mp3/pcm/flac)。
subtitle_file string
合成的字幕下载链接。音频文件对应的字幕,精确到句(不超过50字),单位为毫秒,格式为json。
status int
当前音频流状态,1表示合成中,2表示合成结束。
trace_id string
本次会话的id。用于在咨询/反馈时帮助定位问题。
extra_info object
相关额外信息。
展开参数
audio_length
int64
音频时长,精确到毫秒。
audio_sample_rate
int64
采样率。
audio_size
int64
音频大小。单位为字节。
bitrate
int64
比特率。
audio_format
string
生成音频文件的格式。取值范围mp3/pcm/flac。
audio_channel
int64
生成音频声道数。1:单声道,2:双声道。
invisible_character_ratio
float64
非法字符占比。非法字符不超过10%(包含10%),音频会正常生成并返回非法字符占比;最大不超过0.1(10%),超过进行报错。
usage_characters
int64
计费字符数。本次语音生成的计费字符数。
base_resp object
如果请求出错,对应的错误状态码和详情。
参数
status_code int64
状态码。1000,未知错误;1001,超时;1002,触发限流;1004,鉴权失败;1039,触发TPM限流;1042,非法字符超过10%;2013,输入格式信息不正常。
status_msg string
状态详情。
返回示例(非流式)
{
"data":{
"audio":"hex编码的audio",
"status":2,
},
"extra_info":{
"audio_length":5746,
"audio_sample_rate":32000,
"audio_size":100845,
"audio_bitrate":128000,
"word_count":300,
"invisible_character_ratio":0,
"audio_format":"mp3",
"usage_characters":630
},
"trace_id":"01b8bf9bb7433cc75c18eee6cfa8fe21",
"base_resp":{
"status_code":0,
"status_msg":""
}
}返回示例(流式)
//结束
{
"data":{
"audio":"hex编码的audio_chunk1 + hex编码的audio_chunk2 + hex编码的audio_chunk3",
"status":2
},
"extra_info":{
"audio_length":5746,
"audio_sample_rate":32000,
"audio_size":302535,
"audio_bitrate":128000,
"word_count":300,
"invisible_character_ratio":0,
"audio_format":"mp3",
"usage_characters":630
},
"trace_id":"01b8bf9bb7433cc75c18eee6cfa8fe21",
"base_resp":{
"status_code":0,
"status_msg":""
}
}
//返回的第三个chunk
{
"data":{
"audio":"hex编码的audio_chunk3",
"status":1,
},
"trace_id":"01b8bf9bb7433cc75c18eee6cfa8fe21",
"base_resp":{
"status_code":0,
"status_msg":""
}
}
//返回的第二个chunk
{
"data":{
"audio":"hex编码的audio_chunk2",
"status":1,
},
"trace_id":"01b8bf9bb7433cc75c18eee6cfa8fe21",
"base_resp":{
"status_code":0,
"status_msg":""
}
}
//返回的第一个chunk
{
"data":{
"audio":"hex编码的audio_chunk1",
"status":1,
},
"trace_id":"01b8bf9bb7433cc75c18eee6cfa8fe21",
"base_resp":{
"status_code":0,
"status_msg":""
}
}curl:
curl --location 'https://api.minimax.chat/v1/t2a_v2?GroupId=${group_id}' \
--header 'Authorization: Bearer $MiniMax_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
"model":"speech-02-hd",
"text":"真正的危险不是计算机开始像人一样思考,而是人开始像计算机一样思考。计算机只是可以帮我们处理一些简单事务。",
"stream":false,
"voice_setting":{
"voice_id":"male-qn-qingse",
"speed":1,
"vol":1,
"pitch":0,
"emotion":"happy"
},
"pronunciation_dict":{
"tone":["处理/(chu3)(li3)", "危险/dangerous"]
},
"audio_setting":{
"sample_rate":32000,
"bitrate":128000,
"format":"mp3",
"channel":1
}
}'Python
import requests
import json
group_id = "请填写您的group_id"
api_key = "请填写您的api_key"
url = f"https://api.minimax.chat/v1/t2a_v2?GroupId={group_id}"
payload = json.dumps({
"model":"speech-02-hd",
"text":"真正的危险不是计算机开始像人一样思考,而是人开始像计算机一样思考。计算机只是可以帮我们处理一些简单事务。",
"stream":False,
"voice_setting":{
"voice_id":"male-qn-qingse",
"speed":1,
"vol":1,
"pitch":0,
"emotion":"happy"
},
"pronunciation_dict":{
"tone":[
"处理/(chu3)(li3)", "危险/dangerous"
]
},
"audio_setting":{
"sample_rate":32000,
"bitrate":128000,
"format":"mp3",
"channel":1
}
})
headers = {
'Authorization': f'Bearer {api_key}',
'Content-Type': 'application/json'
}
response = requests.request("POST", url, stream=True, headers=headers, data=payload)
parsed_json = json.loads(response.text)
# 获取audio字段的值
audio_value = bytes.fromhex(parsed_json['data']['audio'])
with open('output.mp3', 'wb') as f:
f.write(audio_value)本示例以流式形式调用本接口,并流式播放;最终将保存完整音频文件。
完整示例
python
# This Python file uses the following encoding: utf-8
import json
import subprocess
import time
from typing import Iterator
import requests
group_id = '' #请输入您的group_id
api_key = '' #请输入您的api_key
file_format = 'mp3' # 支持 mp3/pcm/flac
url = "https://api.minimax.chat/v1/t2a_v2?GroupId=" + group_id
headers = {"Content-Type":"application/json", "Authorization":"Bearer " + api_key}
def build_tts_stream_headers() -> dict:
headers = {
'accept': 'application/json, text/plain, */*',
'content-type': 'application/json',
'authorization': "Bearer " + api_key,
}
return headers
def build_tts_stream_body(text: str) -> dict:
body = json.dumps({
"model":"speech-02-turbo",
"text":"真正的危险不是计算机开始像人一样思考,而是人开始像计算机一样思考。计算机只是可以帮我们处理一些简单事务。",
"stream":True,
"voice_setting":{
"voice_id":"male-qn-qingse",
"speed":1.0,
"vol":1.0,
"pitch":0
},
"pronunciation_dict":{
"tone":[
"处理/(chu3)(li3)", "危险/dangerous"
]
},
"audio_setting":{
"sample_rate":32000,
"bitrate":128000,
"format":"mp3",
"channel":1
}
})
return body
mpv_command = ["mpv", "--no-cache", "--no-terminal", "--", "fd://0"]
mpv_process = subprocess.Popen(
mpv_command,
stdin=subprocess.PIPE,
stdout=subprocess.DEVNULL,
stderr=subprocess.DEVNULL,
)
def call_tts_stream(text: str) -> Iterator[bytes]:
tts_url = url
tts_headers = build_tts_stream_headers()
tts_body = build_tts_stream_body(text)
response = requests.request("POST", tts_url, stream=True, headers=tts_headers, data=tts_body)
for chunk in (response.raw):
if chunk:
if chunk[:5] == b'data:':
data = json.loads(chunk[5:])
if "data" in data and "extra_info" not in data:
if "audio" in data["data"]:
audio = data["data"]['audio']
yield audio
def audio_play(audio_stream: Iterator[bytes]) -> bytes:
audio = b""
for chunk in audio_stream:
if chunk is not None and chunk != '\n':
decoded_hex = bytes.fromhex(chunk)
mpv_process.stdin.write(decoded_hex) # type: ignore
mpv_process.stdin.flush()
audio += decoded_hex
return audio
audio_chunk_iterator = call_tts_stream('')
audio = audio_play(audio_chunk_iterator)
# 结果保存至文件
timestamp = int(time.time())
file_name = f'output_total_{timestamp}.{file_format}'
with open(file_name, 'wb') as file:
file.write(audio)接口地址:wss://api.minimax.chat/ws/v1/t2a_v2
调用WebSocket库函数(具体实现方式因编程语言或库函数而异),将请求头和URL传入以建立WebSocket连接。
string必填 API_key,可在账户管理>接口密钥中查看。
session_id string 表示整个会话的id
string 表示会话类型,建连成功后会返回"connected_success"
string 表示会话中单次请求的id
该请求对应的状态码和详情
参数
status_codeint64
状态码。"0"代表建连成功。
status_msgstring
状态详情。
{
"Authorization": "your_api_key", // 鉴权信息
}
{
"session_id":"xxxx",
"event":"connected_success"
"trace_id":"0303a2882bf18235ae7a809ae0f3cca7",
"base_resp":{
"status_code": 0,
"status_msg":"success"
}
}
发送“任务开始”事件则正式开始合成任务,当服务端返回的task_started事件时,标志着任务已成功开始。只有在接收到该事件后,才能向服务器发送task_continue事件或task_finish事件
string必填
控制发送的指令。当前环节可选值:"task_start"
string必填
请求的模型版本:speech-02-hd、speech-02-turbo、speech-01-hd、speech-01-turbo、speech-01-240228、speech-01-turbo-240228
参数
speed 范围[0.5,2],默认值为1.0
生成声音的语速,可选,取值越大,语速越快。
vol 范围(0,10],默认值为1.0
生成声音的音量,可选,取值越大,音量越高。
pitch 范围[-12,12],默认值为0
生成声音的语调,可选,(0为原音色输出,取值需为整数)。
voice_id string
请求的音色编号。与timber_weights二选一“必填”。
支持系统音色(id)以及复刻音色(id)两种类型,其中系统音色(ID)如下:
青涩青年音色:male-qn-qingse
精英青年音色:male-qn-jingying
霸道青年音色:male-qn-badao
青年大学生音色:male-qn-daxuesheng
少女音色:female-shaonv
御姐音色:female-yujie
成熟女性音色:female-chengshu
甜美女性音色:female-tianmei
男性主持人:presenter_male
女性主持人:presenter_female
男性有声书1:audiobook_male_1
男性有声书2:audiobook_male_2
女性有声书1:audiobook_female_1
女性有声书2:audiobook_female_2
青涩青年音色-beta:male-qn-qingse-jingpin
精英青年音色-beta:male-qn-jingying-jingpin
霸道青年音色-beta:male-qn-badao-jingpin
青年大学生音色-beta:male-qn-daxuesheng-jingpin
少女音色-beta:female-shaonv-jingpin
御姐音色-beta:female-yujie-jingpin
成熟女性音色-beta:female-chengshu-jingpin
甜美女性音色-beta:female-tianmei-jingpin
聪明男童:clever_boy
可爱男童:cute_boy
萌萌女童:lovely_girl
卡通猪小琪:cartoon_pig
病娇弟弟:bingjiao_didi
俊朗男友:junlang_nanyou
纯真学弟:chunzhen_xuedi
冷淡学长:lengdan_xiongzhang
霸道少爷:badao_shaoye
甜心小玲:tianxin_xiaoling
俏皮萌妹:qiaopi_mengmei
妩媚御姐:wumei_yujie
嗲嗲学妹:diadia_xuemei
淡雅学姐:danya_xuejie
Santa Claus:Santa_Claus
Grinch:Grinch
Rudolph:Rudolph
Arnold:Arnold
Charming Santa:Charming_Santa
Charming Lady:Charming_Lady
Sweet Girl:Sweet_Girl
Cute Elf:Cute_Elf
Attractive Girl:Attractive_Girl
Serene Woman:Serene_Woman
emotion string
控制合成语音的情绪;
当前支持7种情绪:高兴,悲伤,愤怒,害怕,厌恶,惊讶,中性;
参数范围["happy", "sad", "angry", "fearful", "disgusted", "surprised", "neutral"]
该参数仅对speech-02-hd,speech-02-turbo,speech-01-turbo,speech-01-hd生效
latex_read bool
控制是否支持朗读latex公式,默认为false。
需注意:
1. 请求中的公式需要在公式的首尾加上$$;
2. 请求中公式若有"\",需转义成"\\"。
示例:导数的基本公式是$$\\frac{d}{dx}(x^n) = nx^{n-1}$$
english_normalization bool
该参数支持英语文本规范化,可提升数字阅读场景的性能,但会略微增加延迟。如果未提供,则默认值为 false。
参数
sample_rate范围【8000,16000,22050,24000,32000,44100】
生成声音的采样率。可选,默认为32000。
bitrate范围【32000,64000,128000,256000】
生成声音的比特率。可选,默认值为128000。该参数仅对mp3格式的音频生效。
formatstring
生成的音频格式。默认mp3,范围[mp3,pcm,flac,wav]。wav仅在非流式输出下支持。
channelint
生成音频的声道数.默认1:单声道,可选:
1:单声道
2:双声道
参数
tone list
替换需要特殊标注的文字、符号及对应的注音。
替换发音(调整声调/替换其他字符发音),格式如下:
["燕少飞/(yan4)(shao3)(fei1)","达菲/(da2)(fei1)","omg/oh my god"]
声调用数字代替,一声(阴平)为1,二声(阳平)为2,三声(上声)为3,四声(去声)为4),轻声为5。
与voice_id二选一必填必填
参数
voice_id string
请求的音色id。须和weight参数同步填写。
weight 范围[1,100]
权重,须与voice_id同步填写。最多支持4种音色混合,取值为整数,单一音色取值占比越高,合成音色越像。
string,默认为null
增强对指定的小语种和方言的识别能力,设置后可以提升在指定小语种/方言场景下的语音表现。如果不明确小语种类型,则可以选择"auto",模型将自主判断小语种类型。支持以下取值: 'Chinese', 'Chinese,Yue', 'English', 'Arabic', 'Russian', 'Spanish', 'French', 'Portuguese', 'German', 'Turkish', 'Dutch', 'Ukrainian', 'Vietnamese', 'Indonesian', 'Japanese', 'Italian', 'Korean', 'Thai', 'Polish', 'Romanian', 'Greek', 'Czech', 'Finnish', 'Hindi', 'auto'
发送“任务开始”事件
{
"event":"task_start",
"model":"speech-02-turbo",
"language_boost":"Chinese",
"voice_setting":{
"voice_id":"male-qn-qingse",
"speed":1,
"vol":1,
"pitch":0,
"emotion":"happy"
},
"pronunciation_dict":{
"tone":["处理/(chu3)(li3)", "危险/dangerous"]
},
"audio_setting":{
"sample_rate":32000,
"bitrate":128000,
"format":"mp3",
"channel":1
}
}
string 表示整个会话的id
string 表示会话类型,当前环节成功后会返回"task_started"
string 本次会话的id。用于在咨询/反馈时帮助定位问题。
object 如果请求出错,对应的错误状态码和详情。
参数
status_code
int64
状态码。0,发送成功;2202,非法事件。
status_msg
string
状态详情。
task-start 事件 发送“任务开始”事件
返回示例(非流式)
{
"session_id":"xxxx",
"event":"task_started",
"trace_id":"0303a2882bf18235ae7a809ae0f3cca7",
"base_resp":{
"status_code": 0,
"status_msg":"success"
}
}
当收到服务端返回的“task_started”事件后,任务正式开始,可通过发送"task_continue"事件发送要合成的文本,支持顺序发送多个“task_continue”事件,当最后一次收到服务端返回超过120s没有发送事件时,websocket连接自动断开。
string
控制发送的指令。当前环节可选值:"task_continue"
string 必填
待合成的文本,长度限制<10000字符,段落切换用换行符替代。(如需要控制语音中间隔时间,在字间增加<#x#>,x单位为秒,支持0.01-99.99,最多两位小数)。支持自定义文本与文本之间的语音时间间隔,以实现自定义文本语音停顿时间的效果。需要注意的是文本间隔时间需设置在两个可以语音发音的文本之间,且不能设置多个连续的时间间隔。
{
"event": "task_continue",
"text": "你好!"
}
data
object
data可能返回为null,参考示例代码时,注意进行非空判断。
参数
本次会话的id。用于在咨询/反馈时帮助定位问题。
string
本次session的id。
string
表示会话类型,当前环节成功后会返回"task_continued"
bool
该请求返回是否完结。
object
相关额外信息。
展开参数
object
如果请求出错,对应的错误状态码和详情。
参数
status_code
int64
状态码。1000,未知错误;1001,超时;1002,触发限流;1004,鉴权失败;1039,触发TPM限流;1042,非法字符超过10%;2013,输入格式信息不正常;2201,超时断开连接;2202,非法事件;2203,空文本,跳过;2204,超过字符限制,跳过;2205,请求超限。
status_msg
string
状态详情。
{
"data": {
"audio": "xxx",
},
"extra_info": {
"audio_length": 935,
"audio_sample_rate": 32000,
"audio_size": 15597,
"bitrate": 128000,
"word_count": 1,
"invisible_character_ratio": 0,
"usage_characters": 4,
"audio_format": "mp3",
"audio_channel": 1
},
"session_id": "xxxx",
"event": "task_continued",
"is_final":false,
"trace_id": "0303a2882bf18235ae7a809ae0f3cca7",
"base_resp": {
"status_code": 0,
"status_msg": "success"
}
}
当发送"task_finish"事件,服务端收到该事件后,会等待当前队列中所有合成任务完成后,关闭WebSocket连接并结束任务。
string
控制发送的指令。当前环节可选值:"task_finish"
{
"event": "task_finish"
}
string
本次会话的id。用于在咨询/反馈时帮助定位问题。
string
本次session的id。
string
表示会话类型,当前环节成功后会返回"task_finished"
object
如果请求出错,对应的错误状态码和详情。
参数
status_code
int64
状态码。0,发送成功;2202,非法事件。
status_msg
string
状态详情。
{
"session_id": "xxxx",
"event": "task_finished",
"trace_id": "0303a2882bf18235ae7a809ae0f3cca7",
"base_resp": {
"status_code": 0,
"status_msg": "success"
}
}
如果接收到"task_failed"事件,表示任务失败。此时需要关闭WebSocket连接并处理错误。
string
本次会话的id。用于在咨询/反馈时帮助定位问题。
string
本次session的id。
string
表示会话类型,任务失败会返回"task_failed"
object
如果请求出错,对应的错误状态码和详情。
参数
status_code
int64
状态码。1000,未知错误;1001,超时;1002,触发限流;1004,鉴权失败;1039,触发TPM限流;1042,非法字符超过10%;2013,输入格式信息不正常; 2201,超时断连。
status_msg
string
状态详情。
{
"session_id": "xxxx",
"event": "task_failed",
"trace_id": "0303a2882bf18235ae7a809ae0f3cca7",
"base_resp": {
"status_code": 1004,
"status_msg": "XXXXXXX"
}
}
import asyncio
import websockets
import json
import ssl
from pydub import AudioSegment # 新增音频处理库
from pydub.playback import play
from io import BytesIO
MODULE = "speech-02-hd"
EMOTION = "happy"
async def establish_connection(api_key):
"""建立WebSocket连接"""
url = "wss://api.minimax.chat/ws/v1/t2a_v2"
headers = {"Authorization": f"Bearer {api_key}"}
ssl_context = ssl.create_default_context()
ssl_context.check_hostname = False
ssl_context.verify_mode = ssl.CERT_NONE
try:
ws = await websockets.connect(url, additional_headers=headers, ssl=ssl_context)
connected = json.loads(await ws.recv())
if connected.get("event") == "connected_success":
print("连接成功")
return ws
return None
except Exception as e:
print(f"连接失败: {e}")
return None
async def start_task(websocket, text):
"""发送任务开始请求"""
start_msg = {
"event": "task_start",
"model": MODULE,
"voice_setting": {
"voice_id": "male-qn-qingse",
"speed": 1,
"vol": 1,
"pitch": 0,
"emotion": EMOTION
},
"audio_setting": {
"sample_rate": 32000,
"bitrate": 128000,
"format": "mp3",
"channel": 1
}
}
await websocket.send(json.dumps(start_msg))
response = json.loads(await websocket.recv())
return response.get("event") == "task_started"
async def continue_task(websocket, text):
"""发送继续请求并收集音频数据"""
await websocket.send(json.dumps({
"event": "task_continue",
"text": text
}))
audio_chunks = []
chunk_counter = 1 # 新增分块计数器
while True:
response = json.loads(await websocket.recv())
if "data" in response and "audio" in response["data"]:
audio = response["data"]["audio"]
# 打印编码信息(前20字符 + 总长度)
print(f"音频块 #{chunk_counter}")
print(f"编码长度: {len(audio)} 字节")
print(f"前20字符: {audio[:20]}...")
print("-" * 40)
audio_chunks.append(audio)
chunk_counter += 1
if response.get("is_final"):
break
return "".join(audio_chunks)
async def close_connection(websocket):
"""关闭连接"""
if websocket:
await websocket.send(json.dumps({"event": "task_finish"}))
await websocket.close()
print("连接已关闭")
async def main():
API_KEY = "your_api_key_here"
TEXT = "这是一个简化版的语音合成示例"
ws = await establish_connection(API_KEY)
if not ws:
return
try:
if not await start_task(ws, TEXT[:10]):
print("任务启动失败")
return
hex_audio = await continue_task(ws, TEXT)
# Hex解码音频数据
audio_bytes = bytes.fromhex(hex_audio)
# 保存为MP3文件
with open("output.mp3", "wb") as f:
f.write(audio_bytes)
print("音频已保存为output.mp3")
# 直接播放音频(需要安装pydub和简单音频依赖)
audio = AudioSegment.from_file(BytesIO(audio_bytes), format="mp3")
print("正在播放音频...")
play(audio)
finally:
await close_connection(ws)
if __name__ == "__main__":
asyncio.run(main())