文字转语音 Skyblight - MyVocal AI语音大模型API文档

金融行业定制 TTS 模型

1. 产品概述

MyVocal 提供面向金融行业的定制化文字转语音能力，支持声音克隆、流式文字转语音、非流式文字转语音、声音管理和用量查询。当前文档包含以下能力：创建声音、获取声音列表、流式文字转语音、非流式文字转语音、删除声音、用量查询。

其中，流式文字转语音适用于实时语音对话、电话客服（IVR）、语音导航等低延迟场景。在稳定网络条件下，基于 8kHz G.711 µ-law 编码的测试结果显示，首包返回时间（TTFB）约为 50ms–150ms；首包音频到达后即可开始播放，后续音频会持续以流的形式返回。

2. 认证方式

所有接口均需在请求 Header 中传入 API Key：

创建声音接口使用 multipart/form-data；其余 TTS / 查询 / 删除类接口使用标准 HTTP 请求。

3. 快速接入流程

建议开发者按以下顺序接入：

第一步：获取声音列表

先查询当前账号下可用的声音列表，确认可直接调用的公共音色或已创建的自定义音色。

第二步：调用 TTS 接口

按业务场景选择：

流式 TTS：适用于低延迟实时播放

非流式 TTS：适用于一次性生成完整音频文件、下载、归档、离线播放

第三步：如需专属声音，再创建声音

支持 IVC 和 PVC 两种克隆方式。

第四步：管理声音与查询用量

上线后可通过删除声音和用量查询接口管理资源与额度。

4. 模型说明

当前 TTS 接口支持两种模型：

Skyblight 和 Skyblight-Turbo

5. 模型能力对比

5.1 输出语言支持

支持以下输出语言，使用 ISO 639-1 两位语言代码表示：

模型	输出语言
`Skyblight`	泰语 `th` 越南语 `vi` 印尼语 `id` 阿拉伯语 `ar` 乌尔都语 `ur` 日语 `ja` 韩语 `ko` 英语 `en` 西班牙语 `es`
`Skyblight-Turbo`	新加坡英语 `en` 澳大利亚英语 `en` 印尼语 `id` 中文 `cn`

5.2 输出音频格式支持

这个部分必须按接口类型 × 模型类型区分，不能混写。

A. 流式文字转语音 POST /v2/ai/speech/stream
当 model = Skyblight 时，支持：

mp3：96kbps MP3

raw：32 位浮点原始音频

ulaw：带 WAV 头的 8 位 G711 µ-law 音频，适用于电话 / 外呼 / SIP / 呼叫中心

webm：WebM 容器，使用 Opus 音频编码

pcm_s16le：采样率 8000，有符号 16 位小端序音频，适合实时流场景自行处理音频

pcm_f32le：采样率 8000，32 位浮点小端序音频，适合训练 / DSP / 高精度处理

当 model = Skyblight-Turbo 时，支持：

mp3 | pcm | wav

B. 非流式文字转语音 POST /v2/ai/speech/tts
当 model = Skyblight 时，支持：

mp3 raw ulaw webm aac wav pcm_s16le pcm_f32le

当 model = Skyblight-Turbo 时，支持：

mp3 pcm wav

5.3 采样率 `sample_rate`

音频输出采样率的默认值为 24000，当输出格式为 ulaw 时，默认值为 8000。可选值为：

8000 16000 24000

5.4 稳定性 `stability`

stability 用于控制语音生成的一致性与灵活性：

较低的数值（如 0.3）会生成更一致、更可靠的语音

较高的数值（如 0.9）会在发音方式上提供更多灵活性，但偶尔可能出现不寻常的语调或语音模式

取值范围0 <= x <= 1

5.5 相似度 `similarity`

similarity 用于控制语音清晰度、与目标发音人的相似度，以及一定程度上的表现力：

较低的数值（如 0.3）会生成更中性、更一致的说话风格

较高的数值会增强表现力和清晰度，也更接近目标发音人

若设置过高，可能出现“伪影”现象，例如不自然的杂音

取值范围x >= 0

5.6 请求优先级 `priority`

auto：系统默认配置。优先使用独享并发线路；当独享资源占满时自动切换至公共线路，最大可用并发为独享并发与共享并发之和；

dedicated_concurrency：仅使用独享并发线路，响应快、无排队等待，并全面支持 WebSocket 调用；

shared_concurrency：仅使用公共并发线路，请求可能因资源共享出现排队及不可避免的延时

文字转语音 Text-toSpeech

金融行业定制 TTS 模型#

1. 产品概述#

2. 认证方式#

3. 快速接入流程#

4. 模型说明#

5. 模型能力对比#

5.1 输出语言支持#

5.2 输出音频格式支持#

5.3 采样率 sample_rate#

5.4 稳定性 stability#

5.5 相似度 similarity#

5.6 请求优先级 priority#