一、背景

在智能客服、内容创作、教育培训、媒体播报、政务解说等行业中，语音合成（TTS） 已成为核心能力。然而，不同厂商 TTS 服务在音色自然度、延迟、长文本稳定性、发音风格等方面差异明显，实际业务中常见问题：

• 🎧 长文本合成不稳定：容易断句或超时

• 🗣 音色效果不一致：不同场景下表现差异大

• ⚙️ 接入成本高：需要同时管理多家 TTS 服务接口

为满足企业对 高质量、多样化和高可用语音合成 的需求，我们打造了 语音合成融合服务，集成阿里云、字节跳动（精品长文本 + 大模型异步TTS）以及自研 TTS 引擎，实现智能调度、稳定输出。

---

二、产品概述

1️⃣ 多引擎集成

• 阿里云语音合成：高自然度 TTS，多音色支持，自定义发音人

• 字节跳动语音合成：精品长文本 + 大模型异步，支持超长文本、情感表达

• 自研引擎：低延时基础语音生成，并发能力可扩展

2️⃣ 灵活接入与统一接口

• 云服务部署，高可用弹性扩容

• 统一调用入口，屏蔽各厂商协议差异

• 支持输入文本、选择音色、返回音频

---

三、技术亮点

• 多引擎融合算法：同一文本可并行提交至多个 TTS 引擎，自动选择最佳结果

• 高并发低时延架构：微服务架构 + 分布式队列

• 长文本优化：逗号断句优化，大模型接口支持情感表达和上下文理解

---

四、典型应用场景

• 智能客服语音播报

• 有声书 / 知识付费内容制作

• 数字人、虚拟主播配音

• 政务解说与公共服务

---

五、接口设计

1️⃣ 创建异步任务接口（/tts/async）

请求方式：

POST /tts/async
Content-Type: application/json
Authorization: Bearer <token>

请求参数（JSON Body）：

参数	类型	必填	默认值	说明
text	string	✓	-	待合成文本
voice	string	✗	系统默认	发音人
format	string	✓	-	输出音频格式，如 wav、mp3
sample_rate	int	✓	-	音频采样率，如 16000、24000
volume	int	✗	100	音量 0~100
speech_rate	int	✗	0	语速，-100~100
pitch_rate	int	✗	0	音调，-100~100
enable_subtitle	bool	✗	false	是否返回分句字幕
enable_notify	bool	✗	false	是否异步回调
notify_url	string	✗	-	回调地址，enable_notify=true 时必填
comma_flag	bool	✗	false	逗号断句优化
model_flag	bool	✗	false	字节跳动大模型接口选择

请求示例：

curl -X POST 'http://localhost:8080/tts/async' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer xxxx-1" \
--data '{
    "text": "今天天气好晴朗",
    "voice": "微软-磁性男声",
    "format": "wav",
    "sample_rate": 16000,
    "enable_subtitle": true,
    "enable_notify": false,
    "speech_rate": 0
}'

返回示例：

{
  "data": {
    "task_id": "b686a398866742498d4ea835143f5174"
  },
  "error_code": 20000000,
  "error_message": "SUCCESS",
  "request_id": "ce55760d-43c7-4133-9478-ca6d744fd517",
  "status": 200
}

---

2️⃣ 查询任务接口（/tts/query）

请求方式：

GET /tts/query?request_id=<request_id>&task_id=<task_id>
Authorization: Bearer <token>

请求参数（Query）：

参数	类型	必填	说明
request_id	string	✓	创建任务时返回的请求 ID
task_id	string	✓	异步任务 ID

请求示例：

curl --header "Authorization: Bearer xxx-1" \
-X GET 'http://localhost:8080/tts/query?request_id=ce55760d-43c7-4133-9478-ca6d744fd517&task_id=b686a398866742498d4ea835143f5174'

返回示例：

{
  "data": {
    "audio_address": "http://shanghai4.xstore.qihoo.net/mm-tts-audios/tts/bc61bda3-e513-4300-ba99-b0ba93f1a883.wav",
    "sentences": [
      {
        "id": 0,
        "text": "今天天气好晴朗",
        "begin_time": 170,
        "end_time": 1795
      }
    ]
  },
  "error_code": 20000000,
  "error_message": "SUCCESS",
  "pod_ip": "11.70.176.21",
  "request_id": "tmp",
  "status": 200
}

返回字段说明：

字段	类型	说明
audio_address	string	合成音频下载地址
sentences	array	分句信息
sentences[].id	int	分句编号
sentences[].text	string	分句文本
sentences[].begin_time	int	分句开始时间（毫秒）
sentences[].end_time	int	分句结束时间（毫秒）
error_code	int	返回码，20000000 表示成功
error_message	string	返回信息
request_id	string	本次请求 ID
pod_ip	string	执行任务的服务器 IP
status	int	HTTP 状态码

---

六、接口调用说明

• Authorization Header 用于区分渠道：

  • -1 自建引擎

  • -2 阿里云

  • -5 字节跳动（model_flag 控制大模型/精品长文本）

• 异步任务 task_id 用于轮询查询结果，完成后可下载音频

• 分句字幕信息可用于字幕显示或视频对齐

---

七、API Key 获取说明

语音合成融合服务调用需要使用 API Key / Token 进行身份验证。

获取步骤

1. 在智汇云官网找到API市场服务

   

2. 在API市场里找到音频服务

   

3. 找到语音合成，在语音合成里创建应用

   

   

4. 获取API KEY

   

5. 在接口调用时添加 Authorization Header：

Authorization: Bearer <Your-API-Key>

示例

curl -X POST 'http://localhost:8080/tts/async' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer <Your-API-Key>" \
--data '{
    "text": "今天天气好晴朗",
    "voice": "微软-磁性男声",
    "format": "wav",
    "sample_rate": 16000,
    "enable_subtitle": true,
    "enable_notify": false,
    "speech_rate": 0
}'

八、合作与接入

我们的语音融合服务已完成核心功能建设，现面向各行业开放试点接入：

• 开放合作探索 欢迎合作伙伴通过标准 API 接入，共同完善服务能力，拓展语音合成在更多场景的应用价值。

如需获取接口文档或申请试用，请联系我们——4000052360