MiniMax Speech API

概览

VibeToken 上的 MiniMax 语音合成（TTS）模型，经 MiniMax 官方 API 提供，对外是兼容 OpenAI 的 POST /v1/audio/speech。调用是同步的：响应体就是音频文件本身，没有需要轮询的生成 id。


提供方	MiniMax（官方 API）
模态	音频
任务	`text-to-speech`
输入	文本（计费字符数少于 10,000）
输出	音频字节：`mp3`、`wav`、`flac`、`pcm` 或 `opus`

模型

模型 ID	档位	说明
`minimax/speech-2.8-hd`	HD	最新一代，保真度最高。
`minimax/speech-2.8-turbo`	Turbo	最新一代，更快、成本更低。
`minimax/speech-2.6-hd`	HD	保真度最高。
`minimax/speech-2.6-turbo`	Turbo	更快、成本更低。
`minimax/speech-02-hd`	HD	保真度最高。
`minimax/speech-02-turbo`	Turbo	更快、成本更低。

HD 是保真度最高的一档，适合旁白、有声书等需要细听的场景。Turbo 速度更快、成本更低，适合交互式或大批量调用。

端点

POST https://vibetoken.cn/v1/audio/speech

请求头	值
`Authorization`	`Bearer sk-rb-xxxxxxxxxxxx`
`Content-Type`	`application/json`

请使用个人 API Key。与其他媒体端点一样，该端点不接受组织 Key。

快速开始

curl https://vibetoken.cn/v1/audio/speech \
  -H "Authorization: Bearer $VIBETOKEN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax/speech-2.8-turbo",
    "voice": "Chinese (Mandarin)_News_Anchor",
    "input": "欢迎使用 VibeToken，一个密钥，调用所有模型。"
  }' \
  --output speech.mp3

from openai import OpenAI

client = OpenAI(
    api_key="sk-rb-xxxxxxxxxxxx",
    base_url="https://vibetoken.cn/v1",
)

response = client.audio.speech.create(
    model="minimax/speech-2.8-turbo",
    voice="Chinese (Mandarin)_News_Anchor",
    input="欢迎使用 VibeToken，一个密钥，调用所有模型。",
)
response.write_to_file("speech.mp3")

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

const client = new OpenAI({
  apiKey: process.env.VIBETOKEN_API_KEY,
  baseURL: "https://vibetoken.cn/v1",
});

const response = await client.audio.speech.create({
  model: "minimax/speech-2.8-turbo",
  voice: "Chinese (Mandarin)_News_Anchor",
  input: "欢迎使用 VibeToken，一个密钥，调用所有模型。",
});
fs.writeFileSync("speech.mp3", Buffer.from(await response.arrayBuffer()));

SDK 会原样发送 voice，因此直接传 MiniMax 音色 id 即可。

请求体

字段	类型	必填	说明
`model`	string	是	上表中的任一模型 id。
`input`	string	是	要朗读的文本。计费字符数必须少于 10,000（见计费），可包含停顿标记。
`voice`	string	是	MiniMax 系统音色 id，见音色。
`response_format`	string	否	`mp3`（默认）、`wav`、`flac`、`pcm` 或 `opus`；不提供 `aac`。
`speed`	number	否	语速，`0.5` 到 `2`，默认 `1`。
`stream_format`	string	否	仅支持 `audio`；`sse` 返回 `400`。
`instructions`	string	否	为兼容 OpenAI 而接受，但会被忽略。
`provider.options.minimax`	object	否	MiniMax 专有参数，见 MiniMax 选项。

其他任何字段都会返回 400。

响应

成功时返回 200，响应体就是原始音频字节：

响应头	值
`Content-Type`	`audio/mpeg`（mp3）、`audio/wav`、`audio/flac`、`audio/pcm` 或 `audio/ogg`（opus）
`X-Generation-Id`	生成 id，可在你的日志与用量中定位这次调用。

把响应体直接写入文件即可（curl 用 --output speech.mp3）。带上 Idempotency-Key 请求头即可安全重试：重复同一个 key 会返回同一段音频，不会重复计费（若首次请求仍在进行或已失败，则返回 409）。

音色

voice 接受任意 MiniMax 系统音色 id。可以先从这些开始：

音色 id	语言
`English_expressive_narrator`	英语
`English_radiant_girl`	英语
`English_magnetic_voiced_man`	英语
`English_CalmWoman`	英语
`Chinese (Mandarin)_News_Anchor`	普通话
`Chinese (Mandarin)_Radio_Host`	普通话
`male-qn-qingse`	普通话
`Cantonese_GentleLady`	粤语
`Japanese_IntellectualSenior`	日语
`Korean_AthleticGirl`	韩语
`Spanish_Narrator`	西班牙语
`Portuguese_SentimentalLady`	葡萄牙语

音色 id 区分大小写，部分包含空格和括号，请按原样传入。完整列表见 MiniMax 的系统音色 id。未知的音色 id 会返回 400，并附带 MiniMax 的原始提示。

MiniMax 选项

MiniMax 自有的控制参数放在 provider.options.minimax 下。所有键均为可选；未知的键会返回 400。

键	类型	说明
`vol`	number	音量，大于 `0`、最大 `10`，默认 `1`。
`pitch`	integer	音调，以半音为单位，`-12` 到 `12`，默认 `0`。
`emotion`	string	`happy`、`sad`、`angry`、`fearful`、`disgusted`、`surprised`、`calm`、`fluent` 或 `whisper`。不传则由模型自行判断。
`text_normalization`	boolean	将数字、日期等按口语形式朗读。
`latex_read`	boolean	朗读 LaTeX 公式。
`sample_rate`	integer	`8000`、`16000`、`22050`、`24000`、`32000` 或 `44100`。
`bitrate`	integer	`32000`、`64000`、`128000` 或 `256000`，仅 `mp3`。
`channel`	integer	`1`（单声道）或 `2`（立体声）。
`language_boost`	string	强化对指定语言的识别，例如 `auto`、`English`、`Chinese`。
`pronunciation_dict`	object	自定义读音，原样传给 MiniMax。
`voice_modify`	object	音效调节（音高、强度、音色），原样传给 MiniMax。
`text_normalization_mode`	string	文本规范化模式，原样传给 MiniMax。

curl https://vibetoken.cn/v1/audio/speech \
  -H "Authorization: Bearer $VIBETOKEN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax/speech-2.8-hd",
    "voice": "Chinese (Mandarin)_News_Anchor",
    "input": "今天的新闻到此结束，感谢收听。",
    "response_format": "wav",
    "speed": 1.1,
    "provider": {
      "options": {
        "minimax": {
          "emotion": "calm",
          "sample_rate": 32000,
          "channel": 1,
          "language_boost": "Chinese"
        }
      }
    }
  }' \
  --output news.wav

使用 OpenAI Python SDK 时，通过 extra_body 传入同样的对象：

response = client.audio.speech.create(
    model="minimax/speech-2.8-hd",
    voice="English_expressive_narrator",
    input="Chapter one.",
    extra_body={"provider": {"options": {"minimax": {"emotion": "calm", "vol": 1.2}}}},
)

停顿

在 input 中任意位置插入 <#x#> 即可停顿，x 为秒数，范围 0.01 到 99.99：

{ "input": "预备。<#0.5#>开始！" }

计费

语音合成按输入字符计费。一个中日韩汉字计 2 个字符；其他字符（字母、数字、假名、标点、空格）计 1 个。10,000 字符的上限也按同一口径计算，因此单次请求最多约 9,999 个拉丁字符，或约 5,000 个汉字。请求到达时，VibeToken 会按输入的计费字符数从余额中预扣（hold）相应费用。音频返回后，按 MiniMax 实际计费的字符数结算。调用失败会释放预扣，不产生费用。各模型的费率见定价页，也可以通过 Models API 查询：

GET /api/models/minimax%2Fspeech-2.8-turbo/pricing

错误

错误使用标准的 /v1 JSON 错误结构（见错误码），不会返回音频字节。

状态码	场景
`400`	缺少或为空的 `input` / `voice`、`input` 超出字符上限、不支持的 `response_format`、`speed` 越界、未知字段或未知的 MiniMax 选项。
`400`	MiniMax 拒绝了某个参数，例如音色 id 不存在。提示信息为 MiniMax 原文。
`400`	输入文本被内容安全策略拦截。
`402`	余额不足以完成预扣。
`429`	上游限流，请稍后重试。
`503`	语音服务不可达或超时。

{ "error": { "type": "invalid_request_error", "message": "`voice` is required: a MiniMax voice id such as `English_Graceful_Lady` or `male-qn-qingse`", "code": 400 } }

快速开始

API 参考

MiniMax Speech API

概览

模型

端点

快速开始

请求体

响应

音色

MiniMax 选项

停顿

计费

错误

另请参阅

​概览

​模型

​端点

​快速开始

​请求体

​响应

​音色

​MiniMax 选项

​停顿

​计费

​错误

​另请参阅

概览

模型

端点

快速开始

请求体

响应

音色

MiniMax 选项

停顿

计费

错误

另请参阅