同步语音合成

请求的模型版本

需要合成语音的文本，长度限制小于 10000 字符，若文本长度大于 3000 字符，推荐使用流式输出

• 段落切换用换行符标记
• 停顿控制：支持自定义文本之间的语音时间间隔，以实现自定义文本语音停顿时间的效果。使用方式：在文本中增加<#x#>标记，x 为停顿时长（单位：秒），范围 [0.01, 99.99]，最多保留两位小数。文本间隔时间需设置在两个可以语音发音的文本之间，不可连续使用多个停顿标记
• 行内发音替换：将普通话拼音（带声调数字 1–5）或 IPA 音标或粤语拼音（带声调数字 1–6）用英文小括号包裹，可临时覆盖有问题的单词或者多音汉字的发音。
  • "The word live is pronounced (lɪv) as a verb and (laɪv) as an adjective."
  • "This is (he2)平, not (huo4)面."
  • "去街市買啲(sung3)。"
• 语气词标签：仅当模型选择 speech-2.8-hd 或 speech-2.8-turbo 时，支持在文本中插入语气词标签。支持的语气词：(laughs)（笑声）、(chuckle)（轻笑）、(coughs)（咳嗽）、(clear-throat)（清嗓子）、(groans)（呻吟）、(breath)（正常换气）、(pant)（喘气）、(inhale)（吸气）、(exhale)（呼气）、(gasps)（倒吸气）、(sniffs)（吸鼻子）、(sighs)（叹气）、(snorts)（喷鼻息）、(burps)（打嗝）、(lip-smacking)（咂嘴）、(humming)（哼唱）、(hissing)（嘶嘶声）、(emm)（嗯）、(sneezes)（喷嚏）

控制是否流式输出。默认 false，即不开启流式

是否增强对指定的小语种和方言的识别能力。默认值为 null，可设置为 auto 让模型自主判断。

注意：speech-01 和 speech-02 系列模型暂不支持 Persian、Filipino、Tamil 这三个语种。

文本归一化模式。basic 使用快速的规则归一化；quality 采用 LLM + 规则的混合方案，归一化质量更高，但会增加一定延迟。详见文本归一化。

注意：

• quality 目前仅对非流式请求（stream=false）生效，且仅支持 speech-2.8-hd、speech-2.8-turbo、speech-2.6-hd、speech-2.6-turbo；流式请求或其他模型传入 quality 时按 basic 处理，不会报错
• 传入本参数后，voice_setting.text_normalization 不再生效；不传时沿用 voice_setting.text_normalization 的设置（默认关闭）

控制是否开启字幕服务，默认值为 false。仅对 speech-2.8-hd, speech-2.8-turbo, speech-2.6-hd, speech-2.6-turbo, speech-02-hd, speech-02-turbo, speech-01-hd, speech-01-turbo 模型有效

字幕粒度，默认值为 sentence。可选值：

• sentence：句级别时间戳
• word：词级别时间戳
• word_streaming：流式优化的词级别时间戳，仅在 stream=true 时有效

流式（stream=true）下字幕通过 data.subtitle 随音频下发，不返回 subtitle_file：

• sentence / word：每个分段只在该分段最后一个音频片段中返回一次完整字幕，sentence 不含 timestamped_words
• word_streaming：每个音频片段都返回当前分段截至目前的累计字幕（timestamped_words 与 time_end 持续增长），客户端应以最新一条覆盖同一分段的旧结果；text_begin 变化表示进入下一个分段

非流式下字幕以文件形式通过 subtitle_file 返回

控制输出结果形式的参数，可选值范围为[url, hex]，默认值为 hex 。该参数仅在非流式场景生效，流式场景仅支持返回 hex 形式。返回的 url 有效期为 24 小时

控制在合成音频的末尾添加音频节奏标识，默认值为 False。该参数仅对非流式合成生效

本次会话的 id，用于在咨询/反馈时帮助定位问题