SuperAPI AI 工具集

volcengine-doubao-speech-tts

通用与其它

查看项目

更新于 10-16 01:11

技能介绍

用途:为火山引擎豆包语音(中国大陆区域)文本转语音提供生产落地指导,涵盖 TTS 1.0/2.0 选型、V3 双向或单向流式、异步长文本合成。注意:不要将 BytePlus 的 API 主机、密钥、价格、法律条款或假设套用到本流程,二者是不同区域产品。

主要能力与资源族:seed-tts-1.0(V3 上的 TTS 1.0)、seed-tts-2.0(V3 上的 TTS 2.0)、seed-icl-1.0 与 seed-icl-2.0(经授权的克隆音色合成)。旧版 volc.service_type.10029 与 V1 API 属于旧 TTS 1.0 契约,不可用 V1 调用 TTS 2.0 音色,也不可用旧模型选择器替代 V3 资源 ID。本技能仅覆盖合成与长文本生产,音色注册只作为授权边界;ASR、语音智能体、同传、播客、语音到语音及国际版 BytePlus 不在范围内。

协议选择:文本增量到达时用 V3 双向 WebSocket(wss://openspeech.bytedance.com/api/v3/tts/bidirection),遵循连接/会话/任务生命周期;文本已知但需流式音频时用 V3 单向流式(官方含 WebSocket、HTTP chunked、SSE,需按文档选定端点与解析器);批量旁白/有声书用异步长文本(POST https://openspeech.bytedance.com/api/v3/tts/submit 与 /query),当前文档上限 100,000 字符,submit 返回 task_id,状态 1 运行、2 成功、3 失败,成功后立即下载,服务端音频保留七天,返回 URL 有效期一小时,可再次查询刷新。

鉴权:V3 流式与异步页面使用不同的文档化请求头组合,须按所选页面执行。当前 V3 新控制台集成在相关流式接口使用 X-Api-Key;异步长文本文档使用 X-Api-App-Id、X-Api-Access-Key、X-Api-Resource-Id、X-Api-Request-Id。旧版 V1 使用 Authorization: Bearer;${token},不可直接照搬到 V3。保留请求 ID 与 X-Tt-Logid,切勿记录密钥、令牌、注册音频或敏感源文本。

音色与控制兼容:支持性取决于音色+资源 ID+协议+语言+控制+账号权益,须加载当前官方音色列表,不要冻结数量或臆造 ID。文档化控制包括音色特定情感、emotion_scale 1-5、speech_rate -50 到 100、loudness_rate -50 到 100、采样率/格式、尾部静音、语言过滤、Markdown/emoji/公式处理及可选 AIGC 水印。TTS 2.0 使用上下文/指令控制,在文档化 V3 路径不支持 SSML;SSML 仅属兼容的 TTS 1.0 路径。

时间戳与文本规范化:时间戳文档随版本/协议而异,异步结果可返回句/词时间结构,但 TTS 2.0/ICL 2.0 的支持与规范化行为须用具体音色实测。提交与计费前先规范化文本,记录规范化前后形式,校验时间戳单调性、时长边界、数字、标点与改写文本,中文字幕按语义短语分组,保留对齐回退方案。

幂等与结果保管:设置稳定的调用方 unique_id,与 task_id、源哈希、规范化文本、资源/音色、尝试次数一并保存。超时不确定时先查询已知任务状态再重提,避免重复计费。成功后须在 URL 过期前下载、计算校验和、验证解码与时长并转入受控存储。

计费、激活与配额:验证时未能从公开文档确认人民币价格,以已认证控制台与订单条款为准;异步长文本按对应短文本 TTS/音色复刻定价计费。付费前记录账号/区域、已激活资源、字符或并发包、单价与有效期、实际授予的免费额度、音色特定费用、预计规范化字符数与尝试次数、已购并发与排队策略。

隐私与克隆音色:音色及关联身份可能属敏感个人数据。克隆音色须有明确、可记录、特定用途的授权,记录源说话人、允许用途、期限、地域、分发、撤销与删除,限制注册音频与模型标识符,避免欺骗性模仿、公众人物、未成年人及未授权跨语言使用。技术注册或相似度检查不能证明法律授权。

错误与重试:当前 API 成功码为 20000000,须保留详细提供方代码/消息/日志 ID。参数、文本、资源、音色无效或不支持协议应修复而非原样重试;配额/并发不足应排队退避或购买容量;重复请求应查询已有任务或生成新 ID;一般后端/网络错误可带幂等保护做有界重试;异步状态 3 应暴露失败详情。

生产 QA:为名称、品牌、缩写、数字、日期、货币、公式、方言与领域术语建立发音集,长任务前生成审批样本,校验编解码、采样率、声道、时长、校验和、文件完整性、文本缺失/重复/截断、音色身份、语言/方言、语速、情感、发音、削波、响度一致性、噪声、静音、爆音、齿音、回转录、时间戳对齐及各类 ID、价格证据、授权、源修订与输出溯源。

限制:音色列表、协议兼容、价格、激活、配额、保留、区域可用性与法律条款易变,须复查中文官方文档与已认证控制台;公开文档无法确认免费层、区域集合或固定费率。