模型API服务指南
API调用指南
音频生成
MiniMax/speech-hd

minimax-speech

本文介绍minimax语音合成模型 hd 系列调用 API 的输入输出参数，供您使用接口时查阅字段含义。

同步合成

接口

https://api.modelverse.cn/v1/t2a_v2

输入

参数类型是否必选描述
modelstring是请求的模型版本，可选范围：
speech-2.8-hd
speech-2.6-hd
speech-02-hd
speech-2.8-turbo
speech-2.6-turbo
speech-02-turbo
textstring是需要合成语音的文本，长度限制小于10000字符，若文本长度大于3000字符，推荐使用流式输出
•段落切换用换行符标记
•停顿控制：支持自定义文本之间的语音时间间隔，以实现自定义文本语音停顿时间的效果。使用方式：在文本中增加<#x#>标记，x 为停顿时长（单位：秒），范围 [0.01, 99.99]，最多保留两位小数。文本间隔时间需设置在两个可以语音发音的文本之间，不可连续使用多个停顿标记
•语气词标签：仅当模型选择 speech-2.8-hd,speech-2.8-turbo时，支持在文本中插入语气词标签。支持的语气词：(laughs)（笑声）、(chuckle)（轻笑）、(coughs)（咳嗽）、(clear-throat)（清嗓子）、(groans)（呻吟）、(breath)（正常换气）、(pant)（喘气）、(inhale)（吸气）、(exhale)（呼气）、(gasps)（倒吸气）、(sniffs)（吸鼻子）、(sighs)（叹气）、(snorts)（喷鼻息）、(burps)（打嗝）、(lip-smacking)（咂嘴）、(humming)（哼唱）、(hissing)（嘶嘶声）、(emm)（嗯）、(sneezes)（喷嚏）
streamboolean否控制是否流式输出。默认 false，即不开启流式
stream_optionsobject否stream输出控制
stream_options.
exclude_aggregated_audio		boolean否设置最后一个 chunk 是否包含拼接后的语音 hex 数据。默认值为 False，即最后一个 chunk 中包含拼接后的完整语音 hex 数据
voice_settingobject否声音设置
voice_setting.voice_idstring否合成音频的音色编号。若需要设置混合音色，请设置 timbre_weights 参数，本参数设置为空值。支持系统音色、复刻音色以及文生音色三种类型，音色ID可查看系统音色列表 (opens in a new tab)
voice_setting.speedfloat否合成音频的语速，取值越大，语速越快。取值范围 [0.5,2]，默认值为1.0
voice_setting.volfloat否合成音频的音量，取值越大，音量越高。取值范围 (0,10]，默认值为 1.0
voice_setting.pitchint否合成音频的语调，取值范围 [-12,12]，默认值为 0，其中 0 为原音色输出
voice_setting.emotionenum否控制合成语音的情绪，参数范围 ["happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent", "whisper"]，分别对应 8 种情绪：高兴，悲伤，愤怒，害怕，厌恶，惊讶，中性，生动，低语
选项 fluent, whisper 仅对 speech-2.6-hd,speech-2.6-turbo 模型生效，speech-2.8-hd,speech-2.8-turbo 模型不支持 whisper
voice_setting.text_normalizationboolean否是否启用中文、英语文本规范化，开启后可提升数字阅读场景的性能，但会略微增加延迟，默认值为 false
voice_setting.latex_readboolean否控制是否朗读 latex 公式，默认为 false
•仅支持中文，开启该参数后，language_boost 参数会被设置为 Chinese
•请求中的公式需要在公式的首尾加上 $$
•请求中公式若有 "\"，需转义成 "\\".
audio_settingobject否音频设置
audio_setting.sample_rateint否生成音频的采样率。可选范围[8000，16000，22050，24000，32000，44100]，默认为 32000
audio_setting.bitrateint否生成音频的比特率。可选范围 [32000，64000，128000，256000]，默认值为 128000。该参数仅对 mp3 格式的音频生效
audio_setting.formatenum否生成音频的格式，默认值:mp3。
•wav 仅在非流式输出下支持。
•可用选项: mp3, pcm, flac, wav
audio_setting.channelint否生成音频的声道数。可选范围：[1,2]，其中 1 为单声道，2 为双声道，默认值为 1
audio_setting.force_cbrboolean否对于音频恒定比特率（cbr）控制，可选 false、 true。当此参数设置为true，将以恒定比特率方式进行音频编码。
注意：本参数仅当音频设置为流式输出，且音频格式为 mp3 时生效。
pronunciation_dictobject否声调
pronunciation_dict.tonestring[]否定义需要特殊标注的文字或符号对应的注音或发音替换规则。在中文文本中，声调用数字表示：
一声为 1，二声为 2，三声为 3，四声为 4，轻声为 5
示例如下：
["燕少飞/(yan4)(shao3)(fei1)", "omg/oh my god"]
timber_weightsobject[]否音色比重
timber_weights.voice_idstring是合成音频的音色编号，须和weight参数同步填写。支持系统音色、复刻音色以及文生音色三种类型。系统支持的全部音色可查看 系统音色列表 (opens in a new tab)
timber_weights.weightint是合成音频各音色所占的权重，须与 voice_id 同步填写。可选值范围为[1, 100]，最多支持 4 种音色混合，单一音色取值占比越高，合成音色与该音色相似度越高.
language_boostenum否是否增强对指定的小语种和方言的识别能力。默认值为 null，可设置为 auto 让模型自主判断。 可用选项: Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto
voice_modifyobject否声音效果器设置，该参数支持的音频格式：
非流式：mp3, wav, flac
流式：mp3
voice_modify.pitchint否音高调整（低沉/明亮），范围 [-100,100]，数值接近 -100，声音更低沉；接近 100，声音更明亮
voice_modify.intensityint否强度调整（力量感/柔和），范围 [-100,100]，数值接近 -100，声音更刚劲；接近 100，声音更轻柔
voice_modify.timbreint否音色调整（磁性/清脆），范围 [-100,100]，数值接近 -100，声音更浑厚；数值接近 100，声音更清脆
voice_modify.sound_effectsenum否音效设置，单次仅能选择一种，可选值：
spacious_echo（空旷回音）
auditorium_echo（礼堂广播）
lofi_telephone（电话失真）
robotic（电音）
subtitle_enableboolean否控制是否开启字幕服务，默认值为 false。此参数仅在非流式输出场景下有效
output_formatenum否控制输出结果形式的参数，可选值范围为[url, hex]，默认值为hex 。该参数仅在非流式场景生效，流式场景仅支持返回 hex 形式。返回的 url 有效期为 24 小时
aigc_watermarkbool否控制在合成音频的末尾添加音频节奏标识，默认值为 false。该参数仅对非流式合成生效

请求示例

⚠️ 如果您使用 Windows 系统，建议使用 Postman 或其他 API 调用工具。

curl --location --globoff 'https://api.modelverse.cn/v1/t2a_v2' \
--header 'Authorization: Bearer <YOUR_API_KEY>' \
--header 'Content-Type: application/json' \
--data '{
  "model": "speech-2.8-hd",
  "text": "今天是不是很开心呀(laughs)，当然了！",
  "stream": false,
  "voice_setting": {
    "voice_id": "male-qn-qingse",
    "speed": 1,
    "vol": 1,
    "pitch": 0,
    "emotion": "happy"
  },
  "audio_setting": {
    "sample_rate": 32000,
    "bitrate": 128000,
    "format": "mp3",
    "channel": 1
  },
  "pronunciation_dict": {
    "tone": [
      "处理/(chu3)(li3)",
      "危险/dangerous"
    ]
  },
  "subtitle_enable": false
}'

输出

参数类型描述
dataobject返回的合成数据对象，可能为 null，需进行非空判断
data.audiostring合成后的音频数据，采用 hex 编码，格式与请求中指定的输出格式一致
data.subtitle_filestring合成的字幕下载链接。音频文件对应的字幕，精确到句（不超过 50 字），单位为毫秒，格式为 json
data.statusint当前音频流状态：1 表示合成中，2 表示合成结束
trace_idstring本次会话的 id，用于在咨询/反馈时帮助定位问题
extra_infoobject音频的附加信息
extra_info.audio_lengthint音频时长（毫秒）
extra_info.audio_sample_rateint音频采样率
extra_info.audio_sizeint音频文件大小（字节）
extra_info.bitrateint音频比特率
extra_info.audio_formatenum生成音频文件的格式。取值范围 [mp3, pcm, flac]
extra_info.audio_channelint生成音频声道数,1：单声道，2：双声道
extra_info.invisible_character_rationumber非法字符占比.非法字符不超过 10%（包含 10%），音频会正常生成,并返回非法字符占比数据；如超过 10% 将进行报错
extra_info.usage_charactersint计费字符数
extra_info.word_countint已发音的字数统计，包含汉字、数字、字母，不包含标点符号
base_respobject本次请求的状态码和详情
base_resp.status_codeint状态码。
0: 请求结果正常
1000: 未知错误
1001: 超时
1002: 触发限流
1004: 鉴权失败
1039: 触发 TPM 限流
1042: 非法字符超过 10%
2013: 输入参数信息不正常
base_resp.status_msgstring状态详情

响应示例

{
  "data": {
    "audio": "<hex编码的audio>",
    "status": 2
  },
  "extra_info": {
    "audio_length": 9900,
    "audio_sample_rate": 32000,
    "audio_size": 160323,
    "bitrate": 128000,
    "word_count": 52,
    "invisible_character_ratio": 0,
    "usage_characters": 26,
    "audio_format": "mp3",
    "audio_channel": 1
  },
  "trace_id": "01b8bf9bb7433cc75c18eee6cfa8fe21",
  "base_resp": {
    "status_code": 0,
    "status_msg": "success"
  }
}
suno音乐生成常见问题答疑
Copyright © 2026 沪ICP备12020087号-61