Skip to main content
POST
Fish Audio S2 Pro Text to Speech
Fish Audio S2 Pro 文本转语音模型,将文本转换为自然语音,支持参考音色、采样控制、分段、音频格式和韵律控制。

请求头

string
必填
枚举值: application/json
string
必填
Bearer 身份验证格式: Bearer {{API 密钥}}。

请求体

string
必填
需要转换为语音的文本。S2-Pro 多说话人文本可使用 <|speaker:0|>你好<|speaker:1|>你好呀 标签。
number
核采样多样性控制。取值范围:[0, 1]
string
默认值:"mp3"
输出音频格式。可选值:wav, pcm, mp3, opus
string
默认值:"normal"
延迟档位。可选值:low, normal, balanced
object
韵律控制。
boolean
默认值:true
对中英文文本进行规范化。
object[]
用于零样本声音克隆的参考音频样本。
integer
默认值:128
MP3 比特率,单位 kbps。可选值:64, 128, 192
integer
输出采样率 Hz。为空时使用格式默认值,opus 为 48000 Hz,其他通常为 44100 Hz。
number
表现力控制。取值范围:[0, 1]
integer
默认值:300
文本分段大小。取值范围:[100, 300]
integer
Opus 比特率,单位 bps,-1000 表示自动。可选值:-1000, 24000, 32000, 48000, 64000
string
音色模型 ID;多说话人场景可传入与 speaker 索引匹配的数组。
integer
默认值:1024
每个分段的最大音频 token 数。
integer
默认值:50
分段前的最小字符数。取值范围:[0, 100]
number
降低音频模式重复的惩罚系数。
number
默认值:1
提前停止阈值。取值范围:[0, 1]
boolean
默认值:true
使用前序音频分段作为上下文。

响应信息

生成的音频。 格式: binary