语音接口

平台提供语音合成（文本转语音，TTS）与语音转写 / 翻译（音频转文本，ASR）两类接口，均兼容 OpenAI 规范。

语音合成（TTS）

请求

POST https://confluia.com/v1/audio/speech
Authorization: Bearer sk-你的密钥
Content-Type: application/json

{
  "model": "tts-1",
  "input": "欢迎使用我们的 AI 平台",
  "voice": "alloy",
  "response_format": "mp3",
  "speed": 1.0
}

主要参数

参数	类型	必填	说明
model	string	✓	TTS 模型 ID，input 与声音的取值上限以模型为准
input	string	✓	待合成文本
voice	string	✓	音色，如 alloy / echo / fable / onyx / nova / shimmer；可用值以模型为准
response_format	string	—	音频格式，如 mp3（默认）/ opus / aac / flac / wav / pcm；可用值以模型为准
speed	number	—	语速倍数，OpenAI 规范为 0.25 ~ 4.0，默认 1.0

响应

返回音频二进制流（Content-Type 与所请求格式一致，默认 audio/mpeg），可直接写盘：

curl https://confluia.com/v1/audio/speech \
  -H "Authorization: Bearer sk-你的密钥" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","input":"欢迎使用我们的AI平台","voice":"alloy"}' \
  --output speech.mp3

语音转写（ASR）

请求

POST https://confluia.com/v1/audio/transcriptions
Authorization: Bearer sk-你的密钥
Content-Type: multipart/form-data

主要字段（multipart/form-data）

字段	必填	说明
file	✓	音频文件（mp3 / wav / m4a 等；大小与时长上限以模型为准）
model	✓	转写模型 ID，如 whisper-1
language	—	语言代码（如 zh），提供后通常可提升识别准确率
response_format	—	json（默认，返回 {"text": "..."}）/ text / srt / verbose_json；可用值以模型为准

示例

curl https://confluia.com/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-你的密钥" \
  -F "file=@audio.mp3" \
  -F "model=whisper-1" \
  -F "language=zh"

响应（默认 JSON）

{ "text": "这是音频内容的转写文本。" }

语音翻译

POST https://confluia.com/v1/audio/translations

用法与转写一致，返回翻译为英文的文本（目标语言与效果以模型为准）。

计费说明

• 语音类按模型计价方式折算额度：按次固定价 或 按 token（含音频 token），视模型配置而定。
• 具体单价以控制台「价格 / 模型列表」页面为准，通用规则见计费与额度。

常见问题

• 上传报 413：音频超过单次上传限制，请先切片或压缩后再传。
• 转写结果为空：确认 response_format 取值与文件编码格式受模型支持；加传 language 通常可改善。