统一调用接口：POST /v1/audio/speech
模型 ID厂商特点调用接口
speech-2.8-hdMiniMax更注重语音质量和自然度/v1/audio/speech
speech-2.8-turboMiniMax更注重生成速度和成本/v1/audio/speech

​
返回音频 URL

curl --request POST \
  --url https://suanwuyou.com.cn/v1/audio/speech \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "speech-2.8-hd",
    "input": "你好，这是一段文字转语音测试。",
    "voice": "male-qn-qingse",
    "speed": 1,
    "response_format": "mp3",
    "metadata": {
      "output_format": "url"
    }
  }'

{
  "data": {
    "audio": "https://example.com/generated-audio.mp3?Expires=1789541693&Signature=example",
    "status": 2,
    "ced": ""
  },
  "extra_info": {
    "audio_length": 3384,
    "audio_sample_rate": 32000,
    "audio_size": 55860,
    "bitrate": 128000,
    "word_count": 15,
    "invisible_character_ratio": 0,
    "usage_characters": 28,
    "audio_format": "mp3",
    "audio_channel": 1
  },
  "trace_id": "06f81ebcf3d6306f9a9a0a8e8f309758",
  "base_resp": {
    "status_code": 0,
    "status_msg": "success"
  }
}
data.audio 是临时签名链接。extra_info.usage_characters 是本次请求的实际计费字符数，不是大语言模型 Token 数量。

​
直接保存音频文件

省略 metadata.output_format: "url" 时，成功响应为音频二进制： 
curl --request POST \
  --url https://suanwuyou.com.cn/v1/audio/speech \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "speech-2.8-hd",
    "input": "你好，这是一段文字转语音测试。",
    "voice": "male-qn-qingse",
    "response_format": "mp3"
  }' \
  --output speech.mp3

​
基础参数

字段类型必填说明
modelstring是speech-2.8-hd 或 speech-2.8-turbo
inputstring是需要转换为语音的文本
voicestring是MiniMax 官方音色、已创建音色或克隆音色的 ID；例如 male-qn-qingse
speednumber否语速，范围 0.5～2.0，默认 1
response_formatstring否音频编码，支持 mp3、pcm、flac，默认 mp3
metadataobject否MiniMax 厂商扩展参数

​
厂商扩展参数

​
输出形式

metadata.output_format 支持：
值成功响应
urlJSON；音频链接位于 data.audio
hex网关解码后直接返回音频二进制

​
音频设置

{
  "metadata": {
    "output_format": "url",
    "audio_setting": {
      "sample_rate": 32000,
      "bitrate": 128000,
      "format": "mp3",
      "channel": 1
    }
  }
}
字段说明
sample_rate采样率，例如 8000、16000、22050、24000、32000、44100
bitrate码率，例如 32000、64000、128000、256000
format音频编码，应与外层 response_format 保持一致
channel1 为单声道，2 为双声道

​
音色设置

顶层 voice 和 speed 已覆盖最常用配置。音量、音调和情绪可以通过扩展参数传入： 
{
  "metadata": {
    "output_format": "url",
    "voice_setting": {
      "vol": 1,
      "pitch": 0,
      "emotion": "happy"
    }
  }
}
字段说明
vol音量，范围 0～10，默认 1
pitch音调，范围 -12～12，默认 0
emotion情绪，例如 happy、sad、angry、fearful、disgusted、surprised、neutral
response_format: "mp3" 决定音频编码；metadata.output_format: "url" 决定响应是否包含 URL。两者用途不同。