声音克隆配音

本页印出的枚举值是快照。机器可读的真相源是 枚举清单 —— 两边若有出入，以那份为准。

输入文本与音色（speaker），生成对应音色的配音音频（声音克隆）。无需上传文件，输入即文本。

创建任务

基本信息

项目	值
请求方法	POST
请求路径	/task/audio_tts_clone
Content-Type	application/json
鉴权方式	Authorization 请求头（直接传 API Key）

请求参数（Body）

参数名	类型	必填	默认值	说明
text	string	是	—	待合成文本，非空，长度上限 5000 字
speaker	string	是	—	音色代号（见下方「可用音色」）
text_lang	string	否	该音色的语种	目标语言（BCP-47，如 zh-CN）。通常不必传——音色本身已决定语种，不传即按音色的语种合成
output_format	string	否	wav	输出音频格式：wav 或 mp3
refresh	boolean	否	false	强制重新合成（跳过缓存），用于要一版新演绎；仅云引擎音色生效
speed	number	否	音色预设	语速倍率（1.0 = 原速）。合法区间逐音色不同，以音色清单接口返回的 speed_range 为准；个别音色不支持调速（其 speed_range 的 min 与 max 同为 1.0）。越界会前置返回参数错误，不建任务、不计费
subtitle_format	string	否	不生成字幕	传 srt 时，除音频外额外产出一份 .srt 字幕文件（UTF-8、无 BOM、LF 换行）。时码取自本次合成的句级时码，与音频严格一致；过长的句子会按 canvas 画幅拆成多行，拆出的行在该句时段内按字数分配时码；不额外计费。不传即完全不生成，产物与出参和以前一样。取值目前仅 srt，传别的值会返回参数错误
strip_punctuation	boolean	否	true	字幕文本去标点开关，仅作用于 subtitle_format 附赠的 .srt 字幕文本：缺省去标点（标点在字幕里不好看）——中文 ， 。 与英文 , . 替换为空格，词内形态豁免（小数 3.5、域名 example.com、千分位 1,000 不动），其余标点（引号、问号、感叹号、破折号等）一律保留；连续空格折一、行首尾裁净。时码、行数、音频与 segments 零变化。显式传 false 时完整保留标点
canvas	integer[]	否	[1080, 1920]（竖屏）	成片画布 [宽, 高]，两个正整数，仅在传 subtitle_format 时可用（只传它会返回参数错误）。字幕按该画幅把过长的句子拆成多行——竖屏比横屏拆得更碎；不传即按缺省竖屏画幅拆，横屏成片请显式传 [1920, 1080]。只影响字幕分行，音频与 segments 零变化
text_split_method	string	否	音色预设（通常 cut1）	长文切分法，仅同合云自研（gpt_sovits）音色生效；云引擎音色目前会忽略此参数、观察期满后将改为报错（日期另行公告），请勿对云引擎音色传此参数——云引擎音色的句级时码本就按一句一段产出，想要句句分开无需该参数。它决定 segments 的断句粒度（字幕先按它断句，再按 canvas 把过长的句子拆成多行）：cut1 = 凑 4 句为一段、cut2 = 约 50 字、cut3 = 按中文句号、cut4 = 按英文句号、cut5 = 按所有标点（句句分开）、cut0 = 不切。想让字幕在每个句末都断开，传 cut5
fragment_interval	number	否	音色预设	句间停顿秒数，仅同合云自研（gpt_sovits）音色生效。合法区间 [0.05, 1.0] 秒（闭区间，两端点均合法），越界返回参数错误、不做静默钳位——不建任务、不计费。⚠️ 云引擎音色传了会明确报错，这与上一行 text_split_method「云引擎会忽略此参数」行为相反，别按那条的经验推断成「传了顶多没用」。不传即跟随该音色调好的预设，产物与本参数上线前逐字节一致

可用音色（speaker）

本表由服务端音色清单接口实时生成，不再手工维护。完整字段（人设、标签、适合题材、语速区间等）见音色清单与检索。「来源」列对应音色清单接口的 engine 字段（同合云自研 = gpt_sovits、阿里云 = aliyun、火山引擎 = volcengine、微软 Azure = azure），可直接用作该接口的 engine 过滤值；不同来源单价不同，与价格页「声音克隆配音」的计费分档一一对应。表按来源分组，组间按最低单价、组内按单价升序排列。「试听」为各音色 demo 示例，全部音色念同一句标语，可直接横向比较。标注「仅供内部成员使用」的音色仅面向同合云内部成员开放，其他账号请求时会返回参数错误并明示原因。

计费说明

按输入文本的字符数计费，计量单位是千字符。

• 计费单位数 = text 字符数 ÷ 1000（保留小数）
• 计费只看你提交的文本，与合成出来的音频时长无关——调慢语速会让音频变长，但不影响扣费
• 最终扣费向上取整到整积分，任何非空文本至少 1 积分

单价按音色所属的引擎与档位不同（5 ~ 50 积分 / 千字符），见音色清单接口返回的 credits_per_kchar 字段，与价格页「声音克隆配音」的分档一一对应。

字符怎么数

规则	说明
计数口径	按 Unicode 码点计，一个中日韩字符算 1 个字符，英文按字母、数字按位
首尾空白	不计（text 在校验前已做首尾裁剪）
中间的空格、换行、标点	各计 1

例如 1000 字符 = 1 千字符；用一个 5 积分/千字符的音色合成，扣 5 积分。

⚠️ 计费口径已于 2026-08 由「分钟」改为「千字符」。此前文档写的「按合成时长计费、计费分钟按 240 字/分钟折算」已作废——那层折算是伪单位，现已收掉：按字符计费的能力，其对外单位就是字符。

音色清单接口在过渡期同时返回 credits_per_kchar（现行）与 credits_per_minute（已废弃，仅因旧文档教用户读它而暂留），公告期结束后 credits_per_minute 会被移除。新接入请只读 credits_per_kchar。

请求示例

curl -X POST https://api.ai-mcn.tv:10000/task/audio_tts_clone \
  -H "Authorization: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "你好，欢迎收听本期节目。",
    "speaker": "narrator",
    "output_format": "wav",
    "speed": 1.0
  }'

成功响应示例

{
  "code": 200,
  "msg": "success",
  "data": {
    "task_id": "537489015178247",
    "task_type": "audio_tts_clone",
    "status": "queued"
  }
}

---

查询任务结果

基本信息

项目	值
请求方法	GET
请求路径	/task/audio_tts_clone/{task_id}
鉴权方式	Authorization 请求头（直接传 API Key）

响应参数（output_result）

参数名	类型	说明
file_id	string	合成音频文件 ID
download_url	string	音频下载路径
speaker	string	使用的音色代号
voice_id	string	同 speaker（与音色清单接口的字段名对齐）
engine	string	合成引擎
sample_rate	integer	音频采样率（Hz）
duration_ms	integer	音频实际时长（毫秒）。与计费无关——计费只看输入文本的字符数
billed_chars	integer	上游引擎回传的字符计数，仅云引擎音色有（自研 gpt_sovits 音色不返回该字段）。⚠️ 它是上游用量留痕，不是你的扣费依据：各家引擎的计数口径不同（如火山取上游 usage.text_words），而你的扣费恒按本页「字符怎么数」那一节的口径算
segments	array	句级时码 [{index, text, start_ms, end_ms}]：每句在音频里的起止毫秒，可直接用于字幕对齐与画面切换点。end_ms 含该句尾部的自然停顿，时间轴首尾相接无缝隙。云引擎音色恒返回；自训音色的分段粒度跟随请求参数 text_split_method（见上方请求参数表，缺省 cut1 会把最多 4 句合为一段），要句句分开传 cut5
subtitle_file_id	string	字幕文件（.srt）ID。仅当请求传了 subtitle_format 时出现；生成失败时为空串，原因见 errors.subtitle
subtitle_file_download_url	string	字幕文件下载路径
errors	object	仅在附赠产物降级时出现。字幕生成失败记在 errors.subtitle，任务仍是 completed、音频产物不受影响
cache_hit	boolean	仅命中合成缓存时出现且为 true（此时音频复用上一次的产物）

成功响应示例

{
  "code": 200,
  "msg": "success",
  "data": {
    "task_id": "537489015178247",
    "status": "completed",
    "progress": 100,
    "output_result": {
      "file_id": "537489015178248",
      "download_url": "/download/a1/output_tts.wav",
      "speaker": "narrator",
      "voice_id": "narrator",
      "engine": "gpt_sovits",
      "sample_rate": 32000,
      "duration_ms": 5240,
      "billed_chars": 16,
      "segments": [
        { "index": 0, "text": "第一句话在这里。", "start_ms": 0, "end_ms": 2600 },
        { "index": 1, "text": "第二句话在这里。", "start_ms": 2600, "end_ms": 5240 }
      ]
    },
    "create_time": "2026-06-21T08:00:00Z",
    "update_time": "2026-06-21T08:00:12Z"
  }
}

错误码

错误码	HTTP 状态码	说明	解决方案
6013	400	必填参数缺失（text / speaker）	补齐参数
6016	400	业务参数非法（speaker 不可用、text 为空或超长、speed 越界、subtitle_format 非法、canvas 非法或未传 subtitle_format 却传了 canvas、fragment_interval 越界、云引擎音色传了 fragment_interval 等）	按参数说明修正
6502	401	鉴权失败	检查 Authorization 请求头
6201	402	额度不足	前往仪表盘充值
6202	402	余额不足	前往仪表盘充值

使用限制

⚠️ 行为变更公告（2026-09-13）：自 2026-09-13 起，传 subtitle_format 的请求，字幕会按 canvas 画幅把过长的句子拆成多行；未传 canvas 时按缺省竖屏画幅 [1080, 1920] 拆，字幕行会比升级前的「一句一条」更短。音频、segments 与整句的起止时码零变化。横屏成片请显式传 canvas: [1920, 1080]。

⚠️ 行为变更公告（2026-08-22）：自 2026-08-22 起，subtitle_format 附赠的 .srt 字幕默认去除文本中的中英逗号句号（strip_punctuation 缺省 true），相同请求产出的字幕文本会与升级前不同；时码、行数、音频与 segments 等其余出参零变化。需要升级前的旧行为，请显式传 strip_punctuation: false。

• 单次合成文本上限 5000 字。长文由服务端按句切分后逐句合成再拼接，无需自行分段；但越长耗时越久——最慢的引擎约 0.11 秒/字，5000 字要 9 分钟左右。
• 长文本由服务端按句切分后逐句合成再拼接，无需自行分段；云引擎音色按句并行合成，长稿耗时约为串行的三分之一（阿里音色暂为串行）。
• 相同参数（文本、音色、语速、格式）重复提交会命中合成缓存，直接返回上一次的音频（同一个 file_id），任务几乎即时完成、计费照常。想要一版新的演绎（合成有随机性，每次重合成都是新版本），传 "refresh": true 强制重新合成。
• 字幕（subtitle_format）不额外计费：它由本次合成已有的句级时码直接生成，时码与音频严格一致（毫秒级，不做取整）。字幕先按 segments 断句（自研音色想在每个句末都断开，请一并传 text_split_method: "cut5"；云引擎音色固定一句一段），再按 canvas 画幅把过长的句子拆成多行。
• 字幕是附赠产物：万一生成失败（例如个别自研音色的句级时码本次不可用），任务仍会正常完成、音频照常返回，subtitle_file_id 为空串并在 errors.subtitle 里说明原因。
• 句间停顿可调（fragment_interval）：自研音色可按需收紧句与句之间的停顿。实测参考：一条 203 秒的解说里，约四分之一的时长是句间静音；把停顿调到 0.2 秒后，同一段稿子的成片缩到 171 秒。不传时跟随该音色调好的预设，产物与本参数上线前逐字节一致。
• 云引擎音色不支持调节句间停顿：传了 fragment_interval 会直接返回参数错误（不建任务、不计费），而不是静默忽略——你不会拿到一条"看起来没变"的音频去反复猜。需要更紧的节奏，请改用同合云自研音色。
• 仅可使用已授权且质检通过的音色（见「可用音色」）。
• 标注「仅供内部成员使用」的音色需同合云内部成员身份，其他账号请求会返回参数错误（不会静默替换为其他音色）。

🤝 加入同和新媒体矩阵，解锁内部成员权益：矩阵成员（internal）可使用 custom 域全库素材检索（视频 / 图片 / 音频，含概念素材与非商用素材，支持仅可商用过滤）与内部专属音色。前往 创作者网络 申请加入，审核通过后管理员将为你开通内部权限。