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_format | mp3 / 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_format | json / 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。