什么是text-to-speech API?

text-to-speech(TTS)API将书面文本转换为口语音频。你发送文本、语音以及语言和速度等设置,API 返回音频文件,或者将音频流式传输,以便在整段文章准备好之前播放即可开始。

模型类型

text-to-speech API 的作用

text-to-speech(TTS)API会用合成语音朗读文本。你发送要说话的词语并选择语音,模型会以MP3或WAV等格式返回音频。根据型号的不同,你也可以用通俗语言进行传递,例如。 用温暖、平静的语气慢慢说话添加内联标签,用于笑声或叹息等效果,为两个或更多说话者编写对话,或从该说话者的短录音中克隆一个声音。

大多数模型还会设置语言、说话速度和采样率等。有些模型会为姓名和缩略词添加发音覆盖,或者用于字幕和高亮的单词级时间戳。

请求的运作方式

对于完成的文件,发送 /v1/audio/speech后 带有模型 ID 的文本 输入 (单位:千美元) 声音.响应默认会保留音频文件的 URL。它也可以以 base64 数据的形式返回音频,或者在请求时返回音频字节本身 接受 页眉要求音频。在提供语音列表的型号上, 快/v1/voices 使用 model ID 返回您可以使用的语音。

为交互式使用,支持流式流式的模型应答 /v1/audio/speech:stream后.音频作为服务器发送事件的形式到达,模型在合成时,因此回放可以在整段文字准备好之前开始。少数模型还接受文本通过 实时语音 WebSocket 并在文本还在到达时说出它,例如在语言模型写出回复时。

text-to-speech用途

  • 语音代理和助理。 语音通过流媒体输出以短暂延迟回复。
  • 旁白。 视频、解说、产品参观和电子学习的配音。
  • 长音频。 有声书、朗读文章以及多个声音之间的播客式对话。
  • 可及性。 界面文本和文档为喜欢倾听的人朗读。
  • 本地化。 在许多语言中使用相同的脚本,且在跨语言保持统一声音的模型上。

语音模型之间应该比较什么

  • 自然。 听每个候选人的同一套稿子,包括数字、名字和问题。
  • 声音与语言。 声音库的大小、语言和口音,以及你是否能克隆声音。
  • 延迟。 关于对话,请查看流媒体支持以及第一个音频到达的速度。
  • 控制。 表达说明、情绪标签、语速和音高、发音覆盖以及多声对话。
  • 输出。 字幕的音频格式、采样率和时间戳。
  • 价格。 TTS 模型按文本量计费:有些型号按字符计费,另一些则按标记计费,输入文本和生成音频的速率是分开的。有些模型会设定每个请求的最低字符数。较长的脚本成本更高。

并排模型比较 同时展示两个语音模型的能力和速率。

试着在EmpirioLabs AI上调用TTS模型

浏览 音频型号 并倾听那些声音 Playground 在编写代码之前。要调用模型,请在仪表板中创建一个 API 密钥并发送文本到 https://api.empiriolabs.ai/v1/audio/speech,或发送到流媒体终端进行实时播放。该 语音引用 页:1 流式语音引用 描述每一个领域。

按需付费,或选择带有每周津贴的套餐。每种语音型号的当前费率均在 定价页面。 。 。.

EmpirioLabs AI 上的模型

共 17 个模型;计费单位相同的按价格从低到高排列。每个模型的页面都有完整价目表、参数和代码。

端点

POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtime

按文本字符计价

模型最低费率适用于
TTS 2 Flash Inworld$15.00$10.50 每 100 万字符合成
StepAudio 3 TTS StepFun$0.14 每10,000字符合成
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 每10,000字符闪合成
SoulX Podcast Soul AI Lab$0.015 每1000字符,每个请求至少700字符基地
TTS 1.5 Mini Inworld$25.00$17.50 每 100 万字符合成
TTS 2 Inworld$25.00$22.00 每 100 万字符合成
TTS 1.5 Max Inworld$35.00$29.75 每 100 万字符合成
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 每10,000字符合成
StepAudio 2.5 TTS StepFun$0.85 每10,000字符合成
GLM TTS Z.ai$0.20 每 1000 字符,每个请求至少 50 字符快速(智力8)

另有: Gemini 2.5 Flash TTS, Gemini 2.5 Pro TTS, Gemini 3.1 Flash TTS, Gemini 3.8 Flash TTS, Gemini 3.8 Flash-Lite TTS, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Next

常见问题

text-to-speech和speech-to-text有什么区别?

文本转语音将书面文本转化为口语音频。语音转文字则相反:将语音转文字转录为书面文本。

text-to-speech API 能克隆语音吗?

有些型号可以。你提供一段简短、干净的语音录音,有些型号会录出说话者同意的声音,模型则用该声音说出新的文本。

text-to-speech定价如何?

按文本量计算:有些模型按角色计费,有些则按代币计费,所以脚本越长越贵。EmpirioLabs AI 上你可以按需付费,或者选择每周补贴的套餐。

什么是流媒体text-to-speech?

流媒体在模型合成音频时会将音频分成小块返回,因此在完整段落准备好之前就开始播放。它适合语音代理和其他实时对话。

准备好使用更好的终端了吗?

查看我们的定价,或者如果你想将自己的模型部署到我们的堆栈中,请联系我们。