产品文档

语音合成

更新于 2026-09-04

传统蒙古文、西里尔蒙古文与中文、英语等 15 个语种的语音合成，200 余个发音人，支持多说话人多语种混合。

能力与场景

语音合成将传统蒙古文、西里尔蒙古文与中文、英语等 15 个语种的文本转为自然流畅的语音，全站共 208 个发音人（西里尔蒙古文 10 个、中文 31 个、英语 58 个……完整清单见「发音人清单」）。典型场景：有声读物与新闻播报、公共场所语音广播、语音助手与无障碍阅读、双语教学音频。

接口支持两种形态：单发音人（传 text，可选 lang / voice / speed）；多说话人 / 多语种混合（传 segments 数组，或在 text 中写 <voice> / <pause> 标记），每段可独立指定语种、发音人与语速并插入停顿，服务端会统一音频规格后拼接成一段。

端点列表

方法路径说明
POST/v1/tts文本合成语音（单发音人 / 多说话人混合，返回音频流或 base64 JSON）

每个端点的请求参数、响应结构与可运行代码示例见本页下方「API 参考」（随接口定义自动生成，始终与线上一致）。

调用要点

  • lang 不传时按文字系统自动检测；粤语及西班牙语、法语、德语、葡萄牙语、印尼语无法从文字区分，请显式传入。voice 不传时用该语种默认发音人，传了必须属于该语种。
  • 多说话人示例（JSON）：{"segments":[{"text":"Сайн байна уу","voice":"saikhan"},{"pause":400},{"text":"你好，欢迎使用讯蒙智能云。","lang":"zh","voice":"zh-CN-YunxiNeural"}]}。
  • 多说话人示例（标记串）：{"text":"<voice name=\"bold\">Сайн байна уу</voice><pause ms=\"400\"/><voice name=\"zh-CN-XiaoxiaoNeural\">你好</voice>"}，标记之外的散文本按默认发音人成段。
  • speed 范围 0.5~2（传统蒙古文发音人不支持语速）；format 支持 mp3 / wav；追加 ?output=json 可获得 base64 音频与实际使用的 lang / voice。
  • 响应为二进制音频流时请以文件方式保存（参考代码示例中的 --output / arrayBuffer 写法）。
  • 按各段文本字符数之和计费，停顿与标记本身不计费；单次合计不超过 5000 字符，多说话人最多 50 段。

支持语种

  • lang 可选：不传时按文本文字系统自动检测（传统蒙古文 / 西里尔蒙古文 / 中文 / 日语 / 韩语 / 阿拉伯语 / 印地语 / 俄语 / 英语）；粤语及西、法、德、葡、印尼语无法从文字区分，请显式传入。
  • voice 可选：不传用该语种默认发音人；传了必须属于该语种。各语种全部发音人见「发音人清单」。
  • 多说话人 / 多语种混合：segments 每段可独立指定 lang / voice，服务端会统一音频规格后拼接。
  • 蒙科立编码的传统蒙古文请传 encoding=menksoft，服务端会先归一化为国标再合成。

合成语种（参数 lang）：

代码语种说明
mw传统蒙古文2 个发音人，默认 female；仅男 / 女两个音色，不支持语速调节
xle_mw西里尔蒙古文10 个发音人，默认 saikhan
zh中文31 个发音人，默认 zh-CN-XiaoxiaoNeural
yue粤语2 个发音人，默认 yue-CN-XiaoMinNeural
en英语58 个发音人，默认 en-US-JennyNeural
ja日语7 个发音人，默认 ja-JP-NanamiNeural
ko韩语10 个发音人，默认 ko-KR-SunHiNeural
es西班牙语20 个发音人，默认 es-ES-ElviraNeural
fr法语17 个发音人，默认 fr-FR-DeniseNeural
de德语17 个发音人，默认 de-DE-KatjaNeural
ru俄语3 个发音人，默认 ru-RU-SvetlanaNeural
pt葡萄牙语18 个发音人，默认 pt-BR-FranciscaNeural
ar阿拉伯语2 个发音人，默认 ar-SA-ZariyahNeural
hi印地语9 个发音人，默认 hi-IN-SwaraNeural
id印尼语2 个发音人，默认 id-ID-GadisNeural

完整代码表与各产品对照见「语种与语言代码」。

计费

  • 计费单位：字符
  • 每月免费额度于月初重置，优先于余额抵扣；超出部分按单价从智能云余额扣费。
  • 仅对成功的调用计费；失败调用不扣费。
  • 实时单价与免费额度见本页下方「当前价格」（后台调价即时生效），总规则见「计费与免费额度」。

当前价格

以下为实时生效价，与定价页同源；调价后此处立即同步。仅对成功调用计费，免费额度优先抵扣。

计费单位单价每月免费额度
按字符计费¥0.5 / 千字符2,000 字符 / 月

API 参考

本产品共 1 个接口，以下内容随接口定义自动生成。 需要跨产品查找接口时可前往接口索引。

语音合成（单发音人 / 多说话人多语种混合）

POST/v1/tts

文本转语音，支持传统蒙古文、西里尔蒙古文与中文、英语等 15 个语种、200 余个发音人（见文档「发音人清单」）。

单发音人：传 text，可选 lang（不传按文字系统自动检测）与 voice（不传用该语种默认音色）。

多说话人 / 多语种混合：传 segments 数组（每段独立 lang / voice / speed，可插入 pause 停顿），或在 text 中使用 <voice name="…" lang="…" speed="…">…</voice> 与 <pause ms="…"/> 标记；各段合成后统一重采样拼接为一段音频。

默认直接返回音频二进制（Content-Type: audio/mpeg 或 audio/wav）；追加查询参数 ?output=json 时返回 base64 JSON。按各段文本字符数之和计费，停顿与标记不计费。

请求参数application/json

参数类型说明
outputquery可选
string设为 json 时返回 { audio: base64, contentType, durationMs?, lang, voice, segments, billedChars }
可选值：json
text可选
string待合成文本（最长 5000 字符；与 segments 二选一）。普通文本按 lang / voice 单发音人合成；文本中含 <voice name="…" speed="…" lang="…">…</voice> 与 <pause ms="…"/> 标记时自动进入多说话人模式，标记之外的散文本按默认音色成段，标记本身不计费。
示例：Сайн байна уу
segments可选
array<object>多说话人 / 多语种混合合成（与 text 二选一）：按顺序给出朗读段与停顿段，最多 50 段，各段文本合计不超过 5000 字符。每段可独立指定 lang / voice / speed，不同语种、不同发音人的段会统一音频规格后拼接为一段音频。
示例：[{"text":"Сайн байна уу","voice":"saikhan"},{"pause":400},{"text":"你好，欢迎使用讯蒙智能云。","lang":"zh","voice":"zh-CN-YunxiNeural"}]
└text可选
string本段朗读文本（与 pause 互斥）
示例：Сайн байна уу
└lang可选
string本段语种代码：mw=传统蒙古文，xle_mw=西里尔蒙古文，zh=中文，yue=粤语，en=英语，ja=日语，ko=韩语，es=西班牙语，fr=法语，de=德语，ru=俄语，pt=葡萄牙语，ar=阿拉伯语，hi=印地语，id=印尼语。不传时按文本文字系统自动检测（粤语及西 / 法 / 德 / 葡 / 印尼语无法自动区分，请显式传入）。
可选值：mwxle_mwzhyueenjakoesfrderuptarhiid
└voice可选
string本段发音人 id（各语种完整清单见文档「语音合成发音人清单」）：传统蒙古文 female / male；西里尔蒙古文 saikhan（默认）/ oyunaa / tsagaan / tuya / bold / temujin / sukhbaatar / gantulga 等；其他语种如 zh-CN-XiaoxiaoNeural、en-US-JennyNeural。不传时用该语种的默认音色；传了则必须属于该语种，否则返回 invalid_request。
示例：bold
└speed可选
number本段语速 0.5~2（默认沿用顶层 speed）
示例：1
└pause可选
number停顿时长（毫秒，1~10000；与 text 互斥，停顿不计费）
示例：500
lang可选
string语种代码：mw=传统蒙古文，xle_mw=西里尔蒙古文，zh=中文，yue=粤语，en=英语，ja=日语，ko=韩语，es=西班牙语，fr=法语，de=德语，ru=俄语，pt=葡萄牙语，ar=阿拉伯语，hi=印地语，id=印尼语。不传时按文本文字系统自动检测（粤语及西 / 法 / 德 / 葡 / 印尼语无法自动区分，请显式传入）。
可选值：mwxle_mwzhyueenjakoesfrderuptarhiid
示例：xle_mw
voice可选
string发音人 id（各语种完整清单见文档「语音合成发音人清单」）：传统蒙古文 female / male；西里尔蒙古文 saikhan（默认）/ oyunaa / tsagaan / tuya / bold / temujin / sukhbaatar / gantulga 等；其他语种如 zh-CN-XiaoxiaoNeural、en-US-JennyNeural。不传时用该语种的默认音色；传了则必须属于该语种，否则返回 invalid_request。
示例：saikhan
speed可选
number语速 0.5~2（默认 1；传统蒙古文发音人不支持语速，忽略该参数）
默认值：1
示例：1
format可选
string输出音频格式（默认 mp3；服务端按需转码，wav 为 PCM 16bit 单声道）
可选值：mp3wav
默认值：mp3
示例：mp3
encoding可选
string输入文本编码提示：standard=标准 Unicode（默认），menksoft=蒙科立编码（服务端统一归一化为国标后合成，蒙科立文本能被正确路由）
可选值：standardmenksoft
默认值：standard
示例：standard

响应示例200 · application/json

200 响应
{
  "audio": "SUQzBAAAAAAA...",
  "contentType": "audio/mpeg",
  "durationMs": 2350,
  "lang": "xle_mw",
  "voice": "saikhan",
  "segments": 1,
  "billedChars": 13
}

代码示例

curl -X POST "https://cloud.heimori.cn/v1/tts" \
  -H "Authorization: Bearer sk-heimori-..." \
  -H "Content-Type: application/json" \
  -d '{
  "text": "Сайн байна уу",
  "segments": [
    {
      "text": "Сайн байна уу",
      "voice": "saikhan"
    },
    {
      "pause": 400
    },
    {
      "text": "你好，欢迎使用讯蒙智能云。",
      "lang": "zh",
      "voice": "zh-CN-YunxiNeural"
    }
  ],
  "lang": "xle_mw",
  "voice": "saikhan",
  "speed": 1,
  "format": "mp3",
  "encoding": "standard"
}' \
  --output output.mp3