音訊與語音

本頁彙總語音生成、語音轉文本與音頻翻譯相關接口。

Apifox 覆蓋範圍補充

• 原生 OpenAI 格式：TTS、whisper-1、gpt-4o-transcribe、音頻翻譯、Audio 輸出、Audio 輸入
• 廠商擴展：MiniMax 語音合成、豆包語音 2.0
• 原生 Gemini 格式：Gemini 音頻生成 / 語音接口

模型接口/音頻(Audio)

POST 原生Gemini格式

POST /v1beta/models/{model}:generateContent

Gemini 音頻生成接口。 可使用gemini-2.5-flash-preview-tts等模型

Body 請求參數

{
  "contents": [
    {
      "parts": [
        {
          "text": "Say cheerfully: Have a wonderful day!"
        }
      ]
    }
  ],
  "generationConfig": {
    "responseModalities": [
      "AUDIO"
    ],
    "speechConfig": {
      "voiceConfig": {
        "prebuiltVoiceConfig": {
          "voiceName": "Kore"
        }
      }
    }
  }
}

請求參數

名稱	位置	類型	必選	說明
model	path	string	是	模型名稱
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
  }
}

返回結果

狀態碼	狀態碼含義	說明	數據模型
200	OK	none	Inline

返回數據結構

狀態碼 200

名稱	類型	必選	約束	中文名	說明
» 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/音頻(Audio)/原生OpenAI格式

POST 豆包語音2.0

POST /audio/speech

每個音色能支持的情感不同, 具體參考音色情感列表: https://www.volcengine.com/docs/6561/1257544 開心（happy），悲傷（sad），生氣（angry），驚訝（surprised），恐懼（fear）... 所有在openai標準之外的參數按原廠格式寫在metadata裡, 支持所有格式 音色示例: 通過調整emotion參數

Body 請求參數

{
    "input": "你是一個好孩子",
    "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"
        }
    }
}

請求參數

名稱	位置	類型	必選	說明
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	要生成音頻的文本。最大長度為4096個字符。
» voice	body	string	是	生成音頻時使用的語音。支持的語音有:alloy、echo、fable、onyx、nova 和 shimmer。
» response_format	body	string	否	默認為 mp3 音頻的格式。支持的格式有:mp3、opus、aac 和 flac。
» speed	body	number	否	默認為 1 生成的音頻速度。選擇0.25到4.0之間的值。1.0是默認值。

返回示例

200 Response

{}

返回結果

狀態碼	狀態碼含義	說明	數據模型
200	OK	none	Inline

返回數據結構

POST 語音轉文本 / gpt-4o-transcribe

POST /audio/transcriptions

官方文檔：https://platform.openai.com/docs/api-reference/audio/createTranscription

Body 請求參數

file: file:///Users/jun/Downloads/response.wav
model: gpt-4o-transcribe
prompt: eiusmod nulla
response_format: json
temperature: 0
language: ""

請求參數

名稱	位置	類型	必選	說明
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	要轉錄的音頻文件，採用以下格式之一：mp3、mp4、mpeg、mpga、m4a、wav 或 webm。
» model	body	string	是	要使用的模型的 ID。僅whisper-1當前可用。
» prompt	body	string	否	可選文本，用於指導模型的風格或繼續之前的音頻片段。提示應與音頻語言相匹配。
» response_format	body	string	否	none
» temperature	body	number	否	採樣溫度，介於 0 和 1 之間。較高的值（如 0.8）將使輸出更加隨機，而較低的值（如 0.2）將使輸出更加集中和確定。如果設置為 0，模型將使用對數概率自動升高溫度，直到達到特定閾值。
» language	body	string	否	輸入音頻的語言。以ISO-639-1格式提供輸入語言將提高準確性和延遲。

返回示例

200 Response

{
  "text": "string"
}

返回結果

狀態碼	狀態碼含義	說明	數據模型
200	OK	none	Inline

返回數據結構

狀態碼 200

名稱	類型	必選	約束	中文名	說明
» text	string	true	none		none

POST 音頻翻譯

POST /audio/translations

將音頻翻譯成英文。

Body 請求參數

file: string
model: whisper-1
prompt: ""
response_format: verbose_json
temperature: 0

請求參數

名稱	位置	類型	必選	說明
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	要翻譯的音頻文件，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，目前僅有 whisper-1 可用。
» prompt	body	string	否	一個可選的文本，用於指導模型的風格或繼續先前的音頻片段。 prompt 應為英文。
» response_format	body	string	否	轉錄輸出的格式，支持以下選項之一：json、text、srt、verbose_json 或 vtt。
» temperature	body	number	否	採樣溫度，介於 0 和 1 之間。 較高的值（如 0.8）將使輸出更隨機，而較低的值（如 0.2）將使其更加專注和確定性。 如果設置為 0，則模型將使用對數概率自動增加溫度，直到達到一定的閾值。

返回示例

200 Response

{
  "text": "string"
}

返回結果

狀態碼	狀態碼含義	說明	數據模型
200	OK	none	Inline

返回數據結構

狀態碼 200

名稱	類型	必選	約束	中文名	說明
» text	string	true	none		none