通过统一接口调用 ElevenLabs 和 Minimax 语音合成服务,支持多语言、多音色的高质量 TTS。
所有请求需在 Header 中携带 Bearer Token:
Authorization: Bearer YOUR_API_KEY
/api/v1/audio/tts创建语音合成任务
/api/v1/audio/tts?task_id=xxx查询任务状态并获取音频链接
选择语音服务商查看对应的参数和示例
ElevenLabs 行业领先的文本转语音服务,超低延迟,支持 70+ 语言,表现力极强。
eleven-tts-flasheleven-tts-turboeleven-tts-multilingualeleven-tts-v3eleven-dialogueeleven-isolatoreleven-dubbingEXAVITQu4vr4xnSDxMaLhpp4J3VqNfWAUOO0d1UspNInz6obpgDQGcFmaJgBJBFqnCBsd6RMkjVDRZzbcgSgspJ2msm6clMCkdW9onwK4e9ZLuTAKqWW03F9# Step 1: Create TTS task
curl -X POST https://apimodels.app/api/v1/audio/tts \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "eleven-tts-v3",
"text": "Hello, this is a test of ElevenLabs text-to-speech.",
"voice_id": "EXAVITQu4vr4xnSDxMaL",
"language_code": "en"
}'
# Step 2: Poll status
curl "https://apimodels.app/api/v1/audio/tts?task_id=TASK_ID" \
-H "Authorization: Bearer YOUR_API_KEY"{
"code": 200,
"msg": "success",
"data": {
"taskId": "clxxx...",
"state": "pending"
}
}{
"code": 200,
"msg": "success",
"data": {
"taskId": "clxxx...",
"state": "completed",
"result": "https://cdn.example.com/audio.mp3",
"createTime": 1705123450000,
"completeTime": 1705123460000
}
}{
"code": 200,
"msg": "success",
"data": {
"taskId": "clxxx...",
"state": "failed",
"failMsg": "Invalid voice_id"
}
}在创建请求中传入 callback_url 后,任务进入 completed 或 failed 终态时,我们会向该地址发起一次 HTTP POST。请求头仅包含 Content-Type: application/json,无签名头。失败会自动重试 3 次(指数退避 1s/2s/4s,单次超时 10s);如果仍未成功,后台会在 30 分钟内继续补偿重发,直到接收端返回 2xx。
POST {your callback_url}
Content-Type: application/json
{
"code": 200,
"msg": "success",
"data": {
"taskId": "clxxx...",
"model": "<provider>/<model_name>",
"state": "completed" | "failed",
"param": "<JSON string>", // request params, JSON.parse once
"resultJson": "<JSON string> | null", // result object, JSON.parse once
"failCode": null | "CONTENT_MODERATION | INVALID_INPUT | INSUFFICIENT_BALANCE | UPSTREAM_BUSY | UPSTREAM_FAILED | TIMEOUT | INTERNAL_ERROR | OTHER",
"failMsg": null | "string",
"retryable": true | false, // present when state=failed: safe to retry/fallback
"costTime": 12345, // duration in ms
"completeTime": 1705123460000, // ms epoch
"createTime": 1705123450000 // ms epoch
}
}注意:data.param 与 data.resultJson 都是 JSON 字符串,使用前必须 JSON.parse 一次。
{
"resultUrls": ["https://r2.apimodels.app/audio/xxx.mp3"],
"audioDuration": 12.5 // optional, seconds
}resultUrls 是 R2 托管的音频 URL 数组,state=completed 时长度通常为 1。state=failed 时 resultJson 通常为 null 或 {"resultUrls":[]},请不要假设一定有音频链接。
app.post('/webhook/audio', express.json(), (req, res) => {
const { taskId, state, resultJson, failMsg } = req.body.data
if (state === 'completed') {
const r = JSON.parse(resultJson)
console.log('audio ready', taskId, r.resultUrls[0], r.audioDuration)
} else {
console.warn('audio failed', taskId, failMsg)
}
res.status(200).end() // must be 2xx, otherwise we retry
})pending任务已排队,等待处理processing语音合成中completed合成成功,可获取音频链接failed合成失败400请求参数错误或缺失401API 密钥无效402积分不足404任务 ID 不存在500服务器内部错误下列所有模型通过统一 API、一个 key 即可调用。点击模型查看完整 playground 与文档。
| 模型 | model 参数 | 价格 | 说明 |
|---|---|---|---|
| Suno v5 音乐生成 | suno-v5 | $0.26 / per song (2 variants) | AI music generation — full songs with vocals + lyrics from a one-line idea (inspiration), your own lyrics (custom), or instrumental only. Also sound effects, continue, cover, and voice personas. Each run returns 2 variants. |
| Eleven Flash v2.5 | eleven-tts-flash | $0.0425 / 1K chars | Eleven Flash v2.5 是 ElevenLabs 的超低延迟文本转语音,支持 32 种语言,并支持 SSML 与音素控制,价格约低 50%。极低延迟使它非常适合实时对话场景——语音助手、客服机器人、互动 NPC。要更高质量(稍高延迟)选 Turbo v2.5;要最逼真选 Multilingual v2 或表现力最强的 Eleven v3。 |
| Eleven Turbo v2.5 | eleven-tts-turbo | $0.0425 / 1K chars | Eleven Turbo v2.5 是 ElevenLabs 高质量、低延迟的文本转语音,支持 32 种语言与 SSML,价格约低 50%。它在质量与速度间取得平衡,是重响应速度的开发场景的稳妥默认。要最低延迟选 Flash v2.5;要最逼真、富情感选 Multilingual v2 或 Eleven v3。 |
| Eleven Multilingual v2 | eleven-tts-multilingual | $0.085 / 1K chars | Eleven Multilingual v2 是 ElevenLabs 最逼真、情感最丰富的文本转语音档,支持 29 种语言,最适合配音、有声书与后期制作等对音质与情感表现要求高的场景。要低延迟实时对话选 Flash 或 Turbo v2.5;要最强表现力与音频标签控制,见 Eleven v3。 |
| Eleven v3 | eleven-tts-v3 | $0.085 / 1K chars | Eleven v3 是 ElevenLabs 表现力最强的文本转语音模型,覆盖 70+ 种语言。它最大的特色是「音频标签」(Audio Tags):在文本里写 [laughs]、[whispers]、[sighs] 等标记,即可直接控制笑声、耳语、叹息等情绪与副语言表现,让配音远比平铺直叙的 TTS 更像真人。适合对情感与细腻度要求高的内容:有声书、游戏角色、播客、动画与短视频配音。只需快速、低成本的常规旁白时,选 ElevenLabs 的 Turbo / Flash 档更划算。 |
| ElevenLabs Dialogue | eleven-dialogue | $0.085 / 1K chars | ElevenLabs Dialogue 是多角色对话生成模型,能让多个说话人自然轮替、对话流畅,适合播客、有声书与互动内容。相比单人 TTS,它专为多人对话优化,声音混合与衔接更自然。要单人朗读(旁白、单口有声书)用 ElevenLabs 的 TTS 档(Flash / Turbo / Multilingual / v3);要多角色对话用 Dialogue。 |
| Voice Isolator | eleven-isolator | $0.102 / min | Voice Isolator(人声分离)从背景噪声、音乐与环境音中提取干净的人声,用于后期制作。适合清理录音、播客 / 访谈降噪,以及为配音 / 译制准备干净的人声轨——常作为转写、TTS 对齐或重新混音前的第一步。 |
| AI Dubbing | eleven-dubbing | $0.2805 / min | AI Dubbing 是 ElevenLabs 的音视频翻译配音模型:把一段音频或视频翻译成另一种语言,同时保留原说话人的情感、节奏与语调,再自动做口型同步与声音克隆,让译制后听起来仍是「同一个人在说另一种语言」,支持约 29 种语言。它为「快速本地化已有视频 / 播客、无需重新找配音演员」而生:出海内容分发、多语言课程与教程、访谈 / 播客译制。配合平台其它语音与视频模型,可串起「翻译 → 配音 → 口型同步」的完整流程。 |
| Minimax Speech 2.8 HD | minimax-speech-2.8-hd | $0.07 / 1K chars | MiniMax speech-2.8-hd 是 MiniMax(海螺)最新的高保真 TTS,能从上下文预测情感与语调,生成极自然、富表现力的个性化语音,适合社交、播客、有声书、新闻、教育与数字人。支持声音克隆与声音设计,$0.07/千字符。要又快又省可选 2.8 Turbo,要前代高保真可选 02 HD。 |
| Minimax Speech 2.8 Turbo | minimax-speech-2.8-turbo | $0.04 / 1K chars | MiniMax speech-2.8-turbo 是 MiniMax(海螺)最新的快速、经济 TTS,在大批量合成上有最佳性价比,韵律自然、多语言支持强。支持声音克隆与声音设计,$0.04/千字符(约 $0.4/一万字符)。要最高保真选同系列的 2.8 HD($0.07/千字符)。 |
| Minimax Speech 02 HD | minimax-speech-02-hd | $0.07 / 1K chars | MiniMax speech-02-hd 是 MiniMax(海螺)的高保真 TTS,能从上下文智能预测情感与语调,生成极自然、个性化的语音,在社交、播客、有声书、新闻、教育与数字人等场景表现强。支持声音克隆与声音设计,$0.07/千字符;系统预置音色不额外收费。更新一代为 speech-2.8-hd,要又快又省可选 Turbo 档。 |
| Kling Custom Voice | kling-custom-voice | $0.006 / per call | Kling Custom Voice 从音频样本创建可复用的自定义音色:上传 5–30 秒、干净的单人音频(.mp3/.wav/.mp4/.mov),或引用一个历史视频 ID。生成的音色可用于 Kling TTS 与可灵对口型模型,让数字人 / 旁白用你的专属嗓音说话,再对到视频做口型同步。 |
| Kling Face Recognition | kling-identify-face | $0.001 / per call | Kling Face Recognition 在视频里识别人脸:传入 videoUrl 或 videoId,返回 sessionId 与一组 faceId。这些 ID 用于 Kling Lip-Sync Video——它是对口型流程的第一步,让你在多人视频里精确选定要对口型的那张脸,再对该人脸对齐音频。 |
| Kling Sound Effects | kling-sound-effects | $0.030 / per call | Kling Sound Effects 从文字描述生成音效(text-to-SFX),输出 3–10 秒音频。用自然语言描述想要的声音——「玻璃破碎」「雨打窗户」「碎石上的脚步声」——即可得到对应音效,适合游戏、视频与短片的拟音与氛围声,无需录音或购买素材库。 |
| Kling Video-to-Audio | kling-video-to-audio | $0.003 / per call | Kling Video-to-Audio 为视频自动生成匹配的音效与背景音乐(SFX + BGM),支持 3–20 秒视频,并提供 ASMR 模式。是给无声片快速配上贴合氛围与配乐的便捷方式,把原始或生成的片段变成沉浸式、可直接分享的内容。 |
| Kling TTS | kling-tts | $0.01 / per call | Kling TTS 是可灵的文本转语音,提供多种预置音色、可调语速,支持多语言,适合给视频、口播、提示音快速生成旁白。想用自己的嗓音,先用 Kling Custom Voice 克隆再在这里选用;同样的音色也可用于可灵对口型(Lip-Sync)模型。 |
| Minimax Speech 2.6 HD | minimax-speech-2.6-hd | $0.07 / 1K chars | Minimax Speech 2.6 HD 是 MiniMax(海螺)的高清异步文本转语音模型,主打丰富表现力与自然韵律,是其用于成品配音与内容创作的高质量档位。支持声音克隆(Voice Clone,复刻已有音色)与声音设计(Voice Design,定制新音色),再用该音色合成语音,适合需要稳定、专属音色的品牌口播、有声书与数字人。按字符计费,$0.07 / 千字符(约 $0.7 / 一万字符);系统预置音色不收额外费用,失败不扣费。 |
| Minimax Speech 02 Turbo | minimax-speech-02-turbo | $0.04 / 1K chars | Minimax Speech 02 Turbo 是 MiniMax(海螺)快速、经济的异步 TTS,支持声音克隆、声音设计、发音词典与多语言增强,$0.04/千字符(约 $0.4/一万字符),适合大批量、对成本敏感的语音合成。要最高保真可上 HD 档(2.6 HD / 2.8 HD / 02 HD,$0.07/千字符);2.8 系列为最新。 |
ElevenLabs 与 MiniMax TTS、Suno v5 音乐生成(有专页),以及 Kling TTS、音效、视频转音频、配音——统一端点和 Key。
在 POST /api/v1/audio/generations 用 model suno-v5,模式(灵感/自定义/翻唱/哼唱成曲…)由字段自动识别。详见 Suno 专页。