音频与语音
本页汇总语音生成、语音转文本与音频翻译相关接口。
Apifox 覆盖范围补充
- 原生 OpenAI 格式：TTS、
whisper-1、gpt-4o-transcribe、音频翻译、Audio 输出、Audio 输入 - 厂商扩展：MiniMax 语音合成、豆包语音 2.0
- 原生 Gemini 格式：Gemini 音频生成 / 语音接口
模型接口/音频(Audio)
POST 原生Gemini格式
POST /v1beta/models/{model}:generateContent
Gemini 音频生成接口。 可使用gemini-2.5-flash-preview-tts等模型
Body 请求参数
{
"contents": [
{
"parts": [
{
"text": "Say cheerfully: Have a wonderful day!"
}
]
}
],
"generationConfig": {
"responseModalities": [
"AUDIO"
],
"speechConfig": {
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Kore"
}
}
}
}
}
请求参数
| 名称 | 位置 | 类型 | 必选 | 说明 |
|---|---|---|---|---|
| model | path | string | 是 | 模型名称 |
| key | query | string | 是 | none |
| Content-Type | header | string | 是 | none |
| body | body | object | 否 | none |
| » contents | body | [object] | 是 | none |
| »» parts | body | [object] | 否 | none |
| »»» text | body | string | 否 | none |
返回示例
200 Response
{
"id": "string",
"object": "string",
"created": 0,
"choices": [
{
"index": 0,
"message": {
"role": "string",
"content": "string"
},
"finish_reason": "string"
}
],
"usage": {
"prompt_tokens": 0,
"completion_tokens": 0,
"total_tokens": 0
}
}
返回结果
| 状态码 | 状态码含义 | 说明 | 数据模型 |
|---|---|---|---|
| 200 | OK | none | Inline |
返回数据结构
状态码 200
| 名称 | 类型 | 必选 | 约束 | 中文名 | 说明 |
|---|---|---|---|---|---|
| » id | string | true | none | none | |
| » object | string | true | none | none | |
| » created | integer | true | none | none | |
| » choices | [object] | true | none | none | |
| »» index | integer | false | none | none | |
| »» message | object | false | none | none | |
| »»» role | string | true | none | none | |
| »»» content | string | true | none | none | |
| »» finish_reason | string | false | none | none | |
| » usage | object | true | none | none | |
| »» prompt_tokens | integer | true | none | none | |
| »» completion_tokens | integer | true | none | none | |
| »» total_tokens | integer | true | none | none |
模型接口/音频(Audio)/原生OpenAI格式
POST 豆包语音2.0
POST /audio/speech
每个音色能支持的情感不同, 具体参考音色情感列表: https://www.volcengine.com/docs/6561/1257544 开心（happy），悲伤（sad），生气（angry），惊讶（surprised），恐惧（fear）... 所有在openai标准之外的参数按原厂格式写在metadata里, 支持所有格式 音色示例: 通过调整emotion参数
Body 请求参数
{
"input": "你是一个好孩子",
"model": "seed-tts-1.1",
"response_format": "mp3",
"speed": 1,
"voice": "zh_female_shuangkuaisisi_emo_v2_mars_bigtts",
"metadata": {
"audio": {
"emotion_scale": 5,
"enable_emotion": true,
"emotion": "happy"
}
}
}
请求参数
| 名称 | 位置 | 类型 | 必选 | 说明 |
|---|---|---|---|---|
| Content-Type | header | string | 是 | none |
| Authorization | header | string | 是 | none |
| body | body | object | 否 | none |
| » model | body | string | 是 | 可用的 TTS 模型之一:tts-1 或 tts-1-hd |
| » input | body | string | 是 | 要生成音频的文本。最大长度为4096个字符。 |
| » voice | body | string | 是 | 生成音频时使用的语音。支持的语音有:alloy、echo、fable、onyx、nova 和 shimmer。 |
| » response_format | body | string | 否 | 默认为 mp3 音频的格式。支持的格式有:mp3、opus、aac 和 flac。 |
| » speed | body | number | 否 | 默认为 1 生成的音频速度。选择0.25到4.0之间的值。1.0是默认值。 |
返回示例
200 Response
{}
返回结果
| 状态码 | 状态码含义 | 说明 | 数据模型 |
|---|---|---|---|
| 200 | OK | none | Inline |
返回数据结构
POST 语音转文本 / gpt-4o-transcribe
POST /audio/transcriptions
官方文档：https://platform.openai.com/docs/api-reference/audio/createTranscription
Body 请求参数
file: file:///Users/jun/Downloads/response.wav
model: gpt-4o-transcribe
prompt: eiusmod nulla
response_format: json
temperature: 0
language: ""
请求参数
| 名称 | 位置 | 类型 | 必选 | 说明 |
|---|---|---|---|---|
| Content-Type | header | string | 是 | none |
| Accept | header | string | 是 | none |
| Authorization | header | string | 否 | none |
| body | body | object | 否 | none |
| » file | body | string(binary) | 是 | 要转录的音频文件，采用以下格式之一：mp3、mp4、mpeg、mpga、m4a、wav 或 webm。 |
| » model | body | string | 是 | 要使用的模型的 ID。仅whisper-1当前可用。 |
| » prompt | body | string | 否 | 可选文本，用于指导模型的风格或继续之前的音频片段。提示应与音频语言相匹配。 |
| » response_format | body | string | 否 | none |
| » temperature | body | number | 否 | 采样温度，介于 0 和 1 之间。较高的值（如 0.8）将使输出更加随机，而较低的值（如 0.2）将使输出更加集中和确定。如果设置为 0，模型将使用对数概率自动升高温度，直到达到特定阈值。 |
| » language | body | string | 否 | 输入音频的语言。以ISO-639-1格式提供输入语言将提高准确性和延迟。 |
返回示例
200 Response
{
"text": "string"
}
返回结果
| 状态码 | 状态码含义 | 说明 | 数据模型 |
|---|---|---|---|
| 200 | OK | none | Inline |
返回数据结构
状态码 200
| 名称 | 类型 | 必选 | 约束 | 中文名 | 说明 |
|---|---|---|---|---|---|
| » text | string | true | none | none |
POST 音频翻译
POST /audio/translations
将音频翻译成英文。
Body 请求参数
file: string
model: whisper-1
prompt: ""
response_format: verbose_json
temperature: 0
请求参数
| 名称 | 位置 | 类型 | 必选 | 说明 |
|---|---|---|---|---|
| Content-Type | header | string | 是 | none |
| Accept | header | string | 是 | none |
| Authorization | header | string | 否 | none |
| body | body | object | 否 | none |
| » file | body | string(binary) | 是 | 要翻译的音频文件，支持以下格式：mp3，mp4，mpeg，mpga，m4a，wav 或 webm。 |
| » model | body | string | 是 | (要使用的模型的 ID，目前仅有 whisper-1 可用。 |
| » prompt | body | string | 否 | 一个可选的文本，用于指导模型的风格或继续先前的音频片段。 prompt 应为英文。 |
| » response_format | body | string | 否 | 转录输出的格式，支持以下选项之一：json、text、srt、verbose_json 或 vtt。 |
| » temperature | body | number | 否 | 采样温度，介于 0 和 1 之间。 较高的值（如 0.8）将使输出更随机，而较低的值（如 0.2）将使其更加专注和确定性。 如果设置为 0，则模型将使用对数概率自动增加温度，直到达到一定的阈值。 |
返回示例
200 Response
{
"text": "string"
}
返回结果
| 状态码 | 状态码含义 | 说明 | 数据模型 |
|---|---|---|---|
| 200 | OK | none | Inline |
返回数据结构
状态码 200
| 名称 | 类型 | 必选 | 约束 | 中文名 | 说明 |
|---|---|---|---|---|---|
| » text | string | true | none | none |