语音合成 API：音色、控制与音频输出

输入

文本，外加一个内置音色，或模型明确支持的声音设计/克隆控制。

输出

模型支持格式的语音音频，或 chat 响应中的音频字段。

端点

POST /v1/audio/speech or POST /v1/chat/completions, according to api_mode

生命周期

同步调用。保存二进制音频响应，或解码 chat 模式返回的音频字段。

mimo-v2.5-tts

Xiaomi MiMo-V2.5-TTS——富有表现力的多语言语音合成，提供内置音色和自然语言风格指令，可控制情感、语速、语气、方言和角色。

任务： 语音合成

端点： POST /v1/chat/completions

费用示例： 1 个 10k 字符单位 × $0 = $0。

stepaudio-2.5-tts

StepAudio 2.5 TTS——结合上下文的语音合成，支持在文本中内嵌自然语言指令，演绎富有表现力，提供内置音色和 OpenAI-compatible 音频输出。

任务： 语音合成、声音克隆

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.85 = $0.85。

glm-tts

GLM-TTS——上下文感知的语音合成，演绎富有表现力，支持流式输出、首段音频快速返回，并可控制音色、语速和音量。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.35 = $0.35。

qwen3-tts-flash

Qwen3-TTS-Flash——低延迟的多语言语音合成，支持混合语言输入、内置音色和自动语言匹配，按字符计费。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.11 = $0.11。

speech-2.8-hd

MiniMax Speech 2.8 HD——高保真语音合成，情感演绎自然，支持语言增强、音色控制和生产级音频格式。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $1 = $1。

speech-2.8-turbo

MiniMax Speech 2.8 Turbo——侧重速度的语音合成，输出自然，支持情感控制、语言增强和常用的生产级音频格式。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.6 = $0.6。

step-tts-2

Step TTS 2——富有表现力的语音合成，支持官方音色与克隆音色、语速和音量控制、发音映射以及多种输出格式。

任务： 语音合成、声音克隆

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.414815 = $0.414815。