跳转到主要内容

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。

模型

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

可以使用个人 API Key 或组织 API Key。使用组织 API Key 时从组织钱包扣费,见组织 API Key。

快速开始

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

请求体

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

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:

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:

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。

另请参阅