文本转语音 (doubao-tts) — OpenAI 格式

POST/v1/audio/speech

调用 doubao-tts 将文本合成为自然流畅的语音，兼容 OpenAI TTS API。

Bearer Token

模型介绍

doubao-tts 是火山引擎豆包团队推出的文本转语音模型，提供多种音色，中文表现自然流畅，支持多语种混合、情感控制与流式输出。

支持模型

模型	采样率	流式	说明
doubao-tts	24 kHz	✅	默认音色 + 多音色可选

内置音色

voice	语气	示例场景
zh_female_wanwan	温柔女声	客服、陪伴
zh_male_M392_conversation	沉稳男声	新闻、解说
zh_female_qingxin	清新女声	短视频配音
zh_male_xiaonan	活泼男声	游戏角色

请求参数

doubao-tts 请求参数

参数	类型	必填	默认值	描述
model	string	是	-	模型名称：doubao-tts
input	string	是	-	待合成文本；单次最大 1000 字符
voice	string	是	-	音色，如 zh_female_wanwan、zh_male_M392_conversation 等
response_format	string	否	mp3	输出格式：mp3 / opus / aac / flac / wav / pcm
speed	number	否	1.0	语速，范围 0.5~2.0
stream	boolean	否	false	是否流式返回（SSE，Base64 分片）

请求示例

curl -X POST /v1/audio/speech \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "doubao-tts",
    "input": "你好，欢迎使用语音合成服务。",
    "voice": "zh_female_wanwan",
    "response_format": "mp3"
  }' \
  --output speech.mp3

from openai import OpenAI

client = OpenAI(base_url="/v1", api_key="YOUR_API_KEY")

resp = client.audio.speech.create(
    model="doubao-tts",
    input="你好，欢迎使用语音合成服务。",
    voice="zh_female_wanwan",
    response_format="mp3",
)
resp.stream_to_file("speech.mp3")

import OpenAI from "openai";
import fs from "node:fs";

const client = new OpenAI({
  baseURL: "/v1",
  apiKey: "YOUR_API_KEY",
});

const resp = await client.audio.speech.create({
  model: "doubao-tts",
  input: "你好，欢迎使用语音合成服务。",
  voice: "zh_female_wanwan",
  response_format: "mp3",
});
fs.writeFileSync("speech.mp3", Buffer.from(await resp.arrayBuffer()));

流式 TTS 示例

from openai import OpenAI

client = OpenAI(base_url="/v1", api_key="<YOUR_API_KEY>")

with client.audio.speech.with_streaming_response.create(
    model="doubao-tts",
    input="这是一段需要流式播放的长文本……",
    voice="zh_male_M392_conversation",
    stream=True,
) as resp:
    for chunk in resp.iter_bytes():
        # 推送到音频播放器
        audio_player.write(chunk)

响应示例

• 非流式：响应 body 即为音频二进制，Content-Type: audio/mpeg。
• 流式：响应为 SSE 流，每条 data: 为 Base64 编码的音频分片，最后一条为 data: [DONE]。

注意事项

• 单次请求文本最大 1000 字符，更长文本请分段合成。
• speed 推荐范围 0.5~2.0；超出范围音质会下降。
• pcm 格式返回原始 PCM 数据（24 kHz / 16-bit / mono），无文件头，需自行封装 WAV。
• 流式模式适合实时对话、有声书朗读等场景；非流式适合预生成配音。
• 计费按输入字符数（中文按字，英文按字符）。