Speech API

Speech API 使用 OpenAI 兼容的文本转语音请求，并直接返回可播放的音频文件。当前支持 azure-tts、unreal-speech-v8 和 indextts-2；实际可用模型仍以 GET /v1/models 为准。IndexTTS2 使用参考音频 URL 克隆音色，其 WAV 输出、异步任务和情绪控制请见 IndexTTS2 API。下文其他模型的音色名、MP3 和语速参数不适用于 IndexTTS2。

同步生成

POST https://ai.furry.vg/v1/audio/speech
Authorization: Bearer sk-your-s3ai-key
Content-Type: application/json

通用字段：

字段	类型	必填	说明
model	string	是	TTS 模型，例如 azure-tts 或 unreal-speech-v8。
input	string	是	需要转换为语音的文本。UnrealSpeech 也接受官方字段 Text 或全小写 text。
voice	string	是	音色名称。UnrealSpeech 也接受 VoiceId 或全小写 voiceid。
response_format	string	否	输出音频格式，默认 mp3。
speed	float	否	语速。不同模型的取值语义见下文。

请求成功时直接返回音频二进制内容，不返回上游文件 URL。使用命令行调用时应通过 --output 或 -o 保存文件。

Azure TTS

azure-tts 支持完整的 Edge TTS / Azure TTS 音色名称。完整清单共 322 个音色：

查看或下载完整 voice 清单

Azure 扩展字段：

字段	类型	说明
speed	float	倍率，1.0 表示 100%。
volume	float	音量倍率，1.0 表示 100%。
pitch	number	相对基准音高的 Hz 偏移量。

curl https://ai.furry.vg/v1/audio/speech \
  -H "Authorization: Bearer sk-your-s3ai-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "azure-tts",
    "input": "你好，这是 Azure TTS 的 OpenAI 兼容接口。",
    "voice": "zh-CN-XiaoxiaoNeural",
    "response_format": "mp3",
    "speed": 1.0,
    "volume": 1.0,
    "pitch": 0
  }' \
  --output speech.mp3

UnrealSpeech

UnrealSpeech 同步请求可选择两种模式：

模式	JSON 控制字段	文本上限	输出格式
speech	"speech": true，也是默认模式	5,000 字符	mp3
stream	"stream": true	1,000 字符	mp3 或 pcm

stream 与 speech 不能同时为 true。speech 模式虽然从上游获得临时存储 URL，但网关会代理下载并直接返回音频，不会把上游 S3 URL 暴露给客户端。

UnrealSpeech 扩展字段：

字段	类型	默认值	说明
Bitrate / bitrate	string	192k	可选值：16k、32k、48k、64k、128k、192k、256k、320k。
Speed / speed	float	0	UnrealSpeech 原生语速，范围 -1 到 1；负数更慢，正数更快。
Pitch / pitch	float	1	音高倍率，范围 0.5 到 1.5。
TimestampType / timestamptype	string	sentence	word 或 sentence；仅 speech 和异步任务使用。
Codec / codec	string	libmp3lame	stream 模式可使用 libmp3lame、pcm_s16le 或 pcm_mulaw。
Temperature / temperature	float	0.25	stream 模式范围 0.1 到 0.8。

官方首字母大写字段和对应全小写字段会自动转换为同一内部请求。也可以继续使用 OpenAI 字段 input 和 voice。

常用 UnrealSpeech 音色包括：

• 中文女声：Mei、Lian、Ting、Jing
• 中文男声：Wei、Jian、Hao、Sheng
• 英文女声：Autumn、Melody、Hannah、Emily、Ivy、Kaitlyn、Luna、Willow、Lauren、Sierra
• 英文男声：Noah、Jasper、Caleb、Ronan、Ethan、Daniel、Zane

curl https://ai.furry.vg/v1/audio/speech \
  -H "Authorization: Bearer sk-your-s3ai-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "unreal-speech-v8",
    "Text": "你好，这是 UnrealSpeech 的同步语音接口。",
    "VoiceId": "Mei",
    "Bitrate": "192k",
    "Speed": 0,
    "Pitch": 1,
    "speech": true,
    "response_format": "mp3"
  }' \
  --output speech.mp3

异步生成

长文本使用异步任务接口，单次最多 500,000 字符：

POST /v1/audio/speech/tasks
GET /v1/audio/speech/tasks/{task_id}
GET /v1/audio/speech/tasks/{task_id}/content

提交请求使用与 UnrealSpeech 同步模式相同的 JSON 字段，但固定走异步任务，不需要设置 stream 或 speech。

curl https://ai.furry.vg/v1/audio/speech/tasks \
  -H "Authorization: Bearer sk-your-s3ai-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "unreal-speech-v8",
    "text": "需要异步合成的长文本。",
    "voiceid": "Mei",
    "bitrate": "192k",
    "speed": 0,
    "pitch": 1,
    "timestamptype": "word"
  }'

提交响应示例：

{
  "id": "task_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
  "object": "audio.speech",
  "created_at": 1784120000,
  "status": "queued",
  "model": "unreal-speech-v8",
  "progress": 0
}

轮询响应的 status 为 queued、in_progress、completed 或 failed。完成后响应包含网关内容地址：

{
  "id": "task_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
  "object": "audio.speech",
  "created_at": 1784120000,
  "status": "completed",
  "model": "unreal-speech-v8",
  "progress": 100,
  "content_url": "https://ai.furry.vg/v1/audio/speech/tasks/task_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx/content",
  "timestamps_url": "https://ai.furry.vg/v1/audio/speech/tasks/task_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx/timestamps"
}

timestamps_url 仅在上游任务返回时间戳结果时出现。它返回 JSON 时间戳数据，而不是 SRT/VTT 文件；粒度由提交请求的 TimestampType / timestamptype（word 或 sentence）决定。网关不会公开上游临时 S3 地址。

下载音频：

curl https://ai.furry.vg/v1/audio/speech/tasks/task_xxx/content \
  -H "Authorization: Bearer sk-your-s3ai-key" \
  --output speech.mp3

下载时间戳：

curl https://ai.furry.vg/v1/audio/speech/tasks/task_xxx/timestamps \
  -H "Authorization: Bearer sk-your-s3ai-key" \
  --output timestamps.json

网页 Playground 也提供 speech、stream 和 async 三种模式。输入超过 1,000 个 Unicode 字符时会禁用 stream；超过 5,000 个字符时会自动切换到 async 并禁用两个同步模式。异步生成期间会显示任务进度，完成后可直接播放或下载代理后的音频。

WebSocket 分块输出

UnrealSpeech WebSocket 路由透明代理上游帧：

wss://ai.furry.vg/v1/audio/speech/websocket?model=unreal-speech-v8

连接握手使用 Authorization: Bearer sk-your-s3ai-key。连接后发送一帧 UnrealSpeech JSON payload：

{
  "Text": "你好。",
  "VoiceId": "Mei",
  "Bitrate": "192k",
  "Speed": 0,
  "Pitch": 1
}

服务端会依次转发：

1. 二进制音频帧；
2. {"type":"progress", ...} 文本帧，包含逐词时间戳；
3. {"type":"complete", ...} 文本帧，然后正常关闭连接。

该路由不会把 WebSocket 帧转换为 SSE；客户端需要同时处理二进制帧和 JSON 文本帧。

计费与注意事项

• UnrealSpeech 按输入字符计费：每个 Unicode 字符按 1 个输入 token 进入现有按量计费流程。
• 同步 speech、同步 stream、异步任务和 WebSocket 均按请求文本字符数计费。
• UnrealSpeech 的 speed 使用 -1 到 1 的原生值，不是 Azure TTS 的倍率语义。
• response_format=pcm 仅适用于 UnrealSpeech stream 模式。
• 如果请求失败，服务端可能返回 JSON 错误信息；请检查 HTTP 状态码，不要直接把错误响应当作音频播放。
• 鉴权、限流和服务端错误的处理方式见错误码。