文档目录

语音与音乐

语音合成(字节响应)、转写与翻译(multipart)、音乐异步任务与它们的计费特点。

内容最后核对:2026-11-18

本页目录

POST /v1/audio/speech

字段说明
model必填
input必填,要合成的文本
voice音色,按模型而定
response_formatmp3 / wav / opus 等,也认 responseFormat
speed部分上游支持,认就透传

成功时响应体是音频字节,Content-Type 由上游格式决定。失败时是 JSON 错误信封 —— 两种响应类型共用一个 URL,所以判断结果要看 Content-Type 或状态码。

计费单位通常是 per_1k_chars(按输入字符数),少数模型按次(per_call)。不能用 token 近似字符:百炼自己写明 1 字符 = 1.5 token,差 50%。

POST /v1/audio/transcriptions(multipart)

字段说明
file必填,音频文件
model模型名
language传了就是「这段音频是 X 语言」;不传由上游自动识别
prompt上下文提示(专有名词、标点习惯)
response_formatjson / text / verbose_json 等
temperature
timestamp_granularities[]需要时间戳粒度时传
curl -s "$BASE/audio/transcriptions" \
  -H "Authorization: Bearer $KEY" \
  -F file=@meeting.m4a \
  -F model="<转写模型>" \
  -F response_format=verbose_json

verbose_json 会带 segments 与 words(含起止时间),做字幕就选它;只要文本用默认的 json。

POST /v1/audio/translations(multipart)

字段同上,但没有 language —— 翻译固定为英文。带了也会被忽略,不会 400(与该上游的实际行为一致)。

POST /v1/audio/music

与视频同一套任务形状:

字段说明
model必填
prompt必填,风格与内容描述
params上游参数(duration、instrumental 等)
idempotencyKey / Idempotency-Key幂等键。音乐同样是真扣费
{"id": 812, "kind": "MUSIC", "status": "QUEUED", "progress": 0,
 "model": "<显示名>", "resultUrl": null, "reserveQuota": 3000}

GET /v1/audio/music/{id}

查询,状态与视频共用同一套七态(见异步任务)。

GET /v1/audio/music/{id}/content

取产物字节。语义与视频的 /content 一致:网关代为拉取一次,不是 302。

计费特点

单位场景注意
per_1k_chars语音合成按输入字符数,与产出时长无关
per_second / per_minute转写按音频时长(部分模型)按上传文件的实际时长
per_track音乐按首有的音乐上游一次返回两首,按首计价才不亏
per_call按次与产出数量无关

同一个模型可能同时挂多个单位(例如音乐既按首又按时长),以定价规则里生效的那一条为准,不要自己乘。