IndexTTS-2 语音合成同步接口文档

前言说明

IndexTTS 是一款零样本文本转语音（TTS）系统，无需依赖海量说话人样本，即可快速合成高音质、高度个性化的语音。该模型不仅支持音色迁移，还支持通过参考音频、情感向量、文本提示等多种方式灵活调节情绪与语气，让生成的语音在各类场景下都更自然、更具表现力。本文将详细介绍 IndexTTS-2 语音合成接口的对接方法。

接口信息

• 接口地址: https://www.yuntts.com/api/v1/text-to-speech
• 请求方式: POST
• Content-Type: application/json
• 认证方式: Bearer Token (API Key)

请求头

Content-Type: application/json
Authorization: Bearer YOUR_API_KEY

公共参数

四种情感控制模式

模式一：默认模式（无情感控制）

原理

不使用任何情感控制参数，仅使用默认音色合成语音。

适用场景

只需要基础语音合成，不需要特殊情感效果。

请求示例

{
  "input": "欢迎使用IndexTTS语音合成系统，这是一个默认模式的示例。",
  "prompt_audio_url": "https://example.com/speaker.wav",
  "prompt_text": "欢迎使用语音合成系统。",
  "stream_mode": false,
  "failover_enabled": true
}

模式二：通过音频控制语气

原理

上传一段带有目标情绪的参考音频，模型会模仿其中的语气和韵律。

关键参数

适用场景

已有真实录音作为情感样例，想让模型模仿。

请求示例

{
  "input": "我知道自己不是一个人在战斗，有大家的支持和协作，我相信我们一定能一起把事情做好。",
  "prompt_audio_url": "https://gitee.com/gitee-ai/moark-assets/raw/master/jay_prompt.wav",
  "prompt_text": "对我来讲是一种荣幸，但是也是压力蛮大的。不过我觉得是一种呃很好的一个挑战。",
  "emo_audio_prompt_url": "https://gitee.com/gitee-ai/moark-assets/raw/master/index-tts-2/emo_sad.wav",
  "emo_alpha": 0.5,
  "stream_mode": false,
  "failover_enabled": true
}

模式三：通过文本控制语气

原理

输入一段带有目标情绪的参考文本，模型会根据文字语义推断并模仿对应的语气。

关键参数

适用场景

没有情感音频样例，仅通过文字引导模型生成目标情绪语音。

请求示例

{
  "input": "今天的天气真是太好了，阳光明媚，心情格外舒畅！",
  "prompt_audio_url": "https://example.com/speaker.wav",
  "prompt_text": "欢迎使用语音合成系统。",
  "use_emo_text": true,
  "emo_text": "非常开心和激动，充满了喜悦和兴奋",
  "stream_mode": false,
  "failover_enabled": true
}

模式四：通过向量控制语气

原理

通过设置情感向量，控制合成语音中不同情绪的占比和强度。

关键参数

向量维度说明

适用场景

希望精细调节合成语音的情绪比例，无需真实参考音频。

请求示例

示例1：平静温和的语气

{
  "input": "请保持冷静，我们慢慢来，一切都会好起来的。",
  "prompt_audio_url": "https://example.com/speaker.wav",
  "prompt_text": "欢迎使用语音合成系统。",
  "emo_vector": [0.1, 0.0, 0.1, 0.0, 0.0, 0.1, 0.0, 0.9],
  "emo_alpha": 0.6,
  "stream_mode": false,
  "failover_enabled": true
}

示例2：兴奋激动的语气

{
  "input": "太棒了！我们成功了！这真是一个激动人心的时刻！",
  "prompt_audio_url": "https://example.com/speaker.wav",
  "prompt_text": "欢迎使用语音合成系统。",
  "emo_vector": [0.9, 0.0, 0.0, 0.0, 0.0, 0.0, 0.3, 0.1],
  "emo_alpha": 0.7,
  "stream_mode": false,
  "failover_enabled": true
}

示例3：悲伤忧郁的语气

{
  "input": "他的爱像秋天的阳光，看似清冷，却总能在我最需要的时候给予温暖。",
  "prompt_audio_url": "https://example.com/speaker.wav",
  "prompt_text": "欢迎使用语音合成系统。",
  "emo_vector": [0.0, 0.0, 0.8, 0.0, 0.0, 0.6, 0.0, 0.2],
  "emo_alpha": 0.5,
  "stream_mode": false,
  "failover_enabled": true
}

响应格式

JSON模式响应（stream_mode: false）

{
  "code": 200,
  "message": "语音合成成功",
  "data": {
    "task_id": "tts_sync_xxxxxxxxxxxx",
    "char_count": 45,
    "cost": 0.45,
    "mode": "audio",
    "status": "completed",
    "audio_url": "https://your-domain.com/wp-content/mp3/download/speech-xxx.wav",
    "message": "语音合成成功"
  }
}

流式模式响应（stream_mode: true）

直接返回音频二进制数据，响应头包含：

Content-Type: audio/wav
Content-Length: 27214
X-Characters: 45
X-Cost: 0.45

高级选项说明

stream_mode（流式模式）

• false（默认）: 音频文件保存到服务器后返回JSON数据，包含音频URL、字符数、费用等信息
• true: 直接返回音频二进制流，不保存文件到服务器，响应更快但不保留历史记录

failover_enabled（故障转移）

• true（默认）: 当主服务不可用时自动切换到备用服务
• false: 禁用故障转移功能

错误码说明

注意事项

1. 文本长度: 建议单次合成文本不超过500字符
2. 音频格式: 参考音频支持 WAV、MP3 格式
3. 网络超时: 同步接口超时时间为120秒
4. 情感强度: emo_alpha 建议范围 0.3~0.8，过大可能导致音质下降
5. 向量总和: 情感向量各维度值相加建议不超过1.5