websocket接入说明

第一步：建立 WebSocket 连接

输入连接地址：
wss://openapi.myvocal.ai/ai/speech/websocket
确认与服务端建立成功的长连接

第二步：发送包含 API-Key 的配置消息

在连接建立后，第一条消息必须是配置消息，其中必须包含 API-Key 字段，否则会返回错误：

{
  "API-Key": "your_api_key_here",
  "voice": "your_voice_id",
  "priority": "dedicated_concurrency",
  "extra_info": true
}

必填参数：API-Key | voice | 仅限prority=dedicated_concurrnecy

💡

可选参数：音频输出格式 format | 采样率sample_rate| 输出语言 language | 附加信息 extra_info: true

第三步：发送合成请求内容

在初始化完成后，可以向服务器持续发送待合成的文本，格式为 JSON 对象：

{"text": "Hello, welcome to MyVocal TTS!"}

文本内容可以拆分成多个消息发送，服务端会自动拼接处理。例如以下两种写法等效：
方案一：
{"text": "This is a demonstration of real-time speech synthesis"}
方案二：拆分发送，更快获得首包音频返回
{"text": "This is a demonstration of "}
{"text": "real-time speech synthesis"}

服务端会以流式方式返回音频数据，直至合成结束。

第四步：触发即时合成 (Flush)

在正常情况下，WebSocket 会将你逐步发送的文本缓存起来，并在上下文完整时输出更自然的语音。如果你希望立即触发合成，可以发送如下请求：

{
  "flush": true
}

当服务端完成当前缓存文本的合成后，会返回一个包含 buffer_empty 字段的额外信息，表示缓存已清空。

⚠️ 注意：flush 建议在句子结束时使用。如果在句子中间强制触发，语音听起来可能会不够自然。

结束之后可以选择关闭 WebSocket 连接。

音频返回机制

在未使用 flush 参数时，模型会在接收到足够的文本后才开始返回音频。为了保证语音的自然度与上下文的连贯性，模型通常会等待大约 两句话的长度，再触发合成并输出音频。数据以二进制形式传输。

之所以如此设计，是因为在文本过短且缺乏上下文时，模型生成的语音可能会显得不够流畅或语气生硬。而随着模型对具体应用场景的适应和优化，所需等待的文本量会逐渐缩短，从而加快返回速度。

需要特别注意的是，这种“自适应学习能力”是基于voice 单独学习的。也就是说，即便 Voice A 已具备用更短文本进行自然合成的能力，该特性也无法直接迁移或继承到 Voice B。

请求参数