大模型服务平台 TokenHub MiniMax 同步语音合成

概述
TokenHub 已上线 MiniMax Speech 系列模型，本文基于 MiniMax 官方 T2A V2 接口编写，调用参数与原厂基本一致，详情请参见 MiniMax API 文档。
前提条件
已 注册腾讯云 账号并开通 TokenHub 服务。
已在 TokenHub 控制台 获取 API Key。
接口信息
项
值
地址
https://tokenhub.tencentmaas.com/v1/wand/minimax-tts/sync_tts
方法
POST
Content-Type
application/json
鉴权
Authorization: Bearer YOUR_API_KEY
支持模型
说明：
2.8 为最新版本，也是 MiniMax 官方文档默认示例模型，能力最完整（唯一支持语气词标签），建议优先选用；Turbo 为极速版，适合对时延敏感的场景。
模型名称
model（调用参数）
能力说明
MiniMax-Speech-2.8-HD
minimax-speech-2.8-hd
最新高保真版，支持情绪控制、语气词标签、声音效果器、字幕。
MiniMax-Speech-2.8-Turbo
minimax-speech-2.8-turbo
最新极速版，能力同 2.8-HD，时延更低。
MiniMax-Speech-2.6-HD
minimax-speech-2.6-hd
高保真版，支持情绪控制、声音效果器、字幕。
MiniMax-Speech-2.6-Turbo
minimax-speech-2.6-turbo
极速版，能力同 2.6-HD。
MiniMax-Speech-02-HD
minimax-speech-02-hd
高保真版，支持基础情绪控制与字幕。
MiniMax-Speech-02-Turbo
minimax-speech-02-turbo
极速版，能力同 02-HD。
请求体
请求示例
说明：
TokenHub MiniMax Speech 系列模型当前支持流式和非流式（同步）语音合成，下文仅展示非流式用法。
非流式
cURL
curl -X POST 'https://tokenhub.tencentmaas.com/v1/wand/minimax-tts/sync_tts' \\
  -H 'Authorization: Bearer YOUR_API_KEY' \\
  -H 'Content-Type: application/json' \\
  -d '{
  "model": "minimax-speech-2.8-hd",
  "text": "刚吹过晚风的巷口飘着糖炒栗子的香，连路灯都软乎乎的。",
  "voice_setting": {
    "voice_id": "minimax_55e81114-ce7e-4ca1",
    "speed": 1,
    "vol": 1,
    "pitch": 0
  },
  "audio_setting": {
    "sample_rate": 32000,
    "bitrate": 128000,
    "format": "mp3",
    "channel": 1
  },
  "subtitle_enable": false,
  "output_format": "hex"
}
请求参数
说明：
以下为请求参数的简要说明，各参数的取值范围、枚举明细、音色列表等请参见 MiniMax API 文档。
参数
类型
必选
说明
model
string
是
模型版本。可选值见上文 支持模型。
text
string
是
待合成文本，长度 < 10000；长文本建议合理分段调用。段落用换行分隔；停顿控制 <#x#>（秒）；行内发音替换用括号包裹拼音/IPA；语气词标签仅 speech-2.8 系列支持（如 (laughs) 笑声）。
voice_setting
object
是
音色设置（voice_id 必选）。
voice_setting.voice_id
string
是
音色编号；混合音色时置空本参数并改用 timbre_weights。支持系统音色、复刻音色、文生音色。
voice_setting.speed
float
否
语速，默认 1.0，范围 [0.5, 2]。
voice_setting.vol
float
否
音量，默认 1.0，范围 (0, 10]。
voice_setting.pitch
integer
否
语调，默认 0（原音色），范围 [-12, 12]。
voice_setting.emotion
string
否
情绪：happy / sad / angry / fearful / disgusted / surprised / calm / fluent / whisper；分别对应 9 种情绪：高兴，悲伤，愤怒，害怕，厌恶，惊讶，中性，生动，低语。一般无需手动指定，默认由模型自动匹配。
说明：
minimax-speech-2.8-hd, minimax-speech-2.8-turbo 模型不支持 whisper。
voice_setting.text_normalization
boolean
否
中英文文本规范化（提升数字阅读表现），默认 false。
voice_setting.latex_read
boolean
否
朗读 LaTeX 公式（公式首尾加 $$），默认 false。
audio_setting
object
否
音频设置。
audio_setting.sample_rate
integer
否
采样率，默认 32000，可选 [8000, 16000, 22050, 24000, 32000, 44100]。
audio_setting.bitrate
integer
否
比特率，默认 128000，可选 [32000, 64000, 128000, 256000]（仅 mp3 生效）。
audio_setting.format
string
否
格式，默认 mp3，可选 mp3 / pcm / flac / wav / pcmu_raw / pcmu_wav / opus。
audio_setting.channel
integer
否
声道数，默认 1（单声道），可选 [1, 2]。
pronunciation_dict
object
否
发音词典。
pronunciation_dict.tone
array[string]
否
自定义发音规则，格式 原文/替换内容（替换内容可为纯文本/拼音/IPA/日语假名）。
timbre_weights
array
否
混合音色权重，最多 4 种（每项含 voice_id + weight，取值 1–100）。
language_boost
string
否
小语种/方言识别增强，默认 null，可设 auto。
voice_modify
object
否
声音效果器。
voice_modify.pitch
integer
否
音高调整（低沉/明亮），范围 [-100, 100]。
voice_modify.intensity
integer
否
强度调整（力量感/柔和），范围 [-100, 100]。
voice_modify.timbre
integer
否
音色调整（磁性/清脆），范围 [-100, 100]。
voice_modify.sound_effects
string
否
音效：spacious_echo / auditorium_echo / lofi_telephone / robotic。
subtitle_enable
boolean
否
开启字幕服务，默认 false。
subtitle_type
string
否
字幕粒度，默认 sentence，可选 sentence / word 。
output_format
string
否
输出形式，默认 hex，可选 url / hex（URL 有效期 24h）。
aigc_watermark
boolean
否
末尾添加音频节奏标识，默认 false。
stream
boolean
否
是否使用 SSE 流流式返回（建议输入超过5000字符选择此方式返回），默认 false。
返回体
返回示例
非流式
流式
{
  "id": "th_1308104797_r00c00_minimax-tts_639a60274f89f7c5ed70c841f1f2e44d",
  "request_id": "794507bf-8995-43a7-ae4c-b37277c196e8",
  "trace_id": "th_1308104797_r00c00_minimax-tts_639a60274f89f7c5ed70c841f1f2e44d",
  "status": "completed",
  "error": null,
  "data": {
    "audio": "https://speech-1300828900.cos.accelerate.myqcloud.com/speech/test.mp3",
    "status": 2
  },
  "extra_info": {
    "audio_length": 4752,
    "audio_sample_rate": 32000,
    "audio_size": 0,
    "audio_format": "mp3",
    "word_count": 24,
    "usage_characters": 50
  },
  "base_resp": {
    "status_code": 0,
    "status_msg": "success"
  },
  "usage": {
    "chars": 50,
    "total_tokens": 1750,
    "use_count": 0
  }
}
﻿
data: {"base_resp":{"status_code":0,"status_msg":"success"},"data":{"audio":"<hex编码的audio0>","status":1},"request_id":"2d4e75ca-229e-4c77-9853-629f3b142786","trace_id":"th_251414125_r00c00_minimax-tts_96633db4153604d295fe0a565d0bea40"}
﻿
data: {"base_resp":{"status_code":0,"status_msg":"success"},"data":{"audio":"<hex编码的audio1>","status":1},"request_id":"2d4e75ca-229e-4c77-9853-629f3b142786","trace_id":"th_251414125_r00c00_minimax-tts_96633db4153604d295fe0a565d0bea40"}
﻿
data: {"base_resp":{"status_code":0,"status_msg":"success"},"data":{"audio":"<hex编码的audio2>","status":1},"request_id":"2d4e75ca-229e-4c77-9853-629f3b142786","trace_id":"th_251414125_r00c00_minimax-tts_96633db4153604d295fe0a565d0bea40"}
﻿
data: {"base_resp":{"status_code":0,"status_msg":"success"},"data":{"audio":"<hex编码的audio3>","status":1},"request_id":"2d4e75ca-229e-4c77-9853-629f3b142786","trace_id":"th_251414125_r00c00_minimax-tts_96633db4153604d295fe0a565d0bea40"}
﻿
data: {"base_resp":{"status_code":0,"status_msg":"success"},"data":{"audio":"<hex编码的audio4>","status":1},"request_id":"2d4e75ca-229e-4c77-9853-629f3b142786","trace_id":"th_251414125_r00c00_minimax-tts_96633db4153604d295fe0a565d0bea40"}
﻿
data: {"base_resp":{"status_code":0,"status_msg":"success"},"data":{"audio":"<hex编码的audio5>","status":1},"request_id":"2d4e75ca-229e-4c77-9853-629f3b142786","trace_id":"th_251414125_r00c00_minimax-tts_96633db4153604d295fe0a565d0bea40"}
﻿
data: {"base_resp":{"status_code":0,"status_msg":"success"},"data":{"status":2},"request_id":"2d4e75ca-229e-4c77-9853-629f3b142786","status":"completed","trace_id":"th_251414125_r00c00_minimax-tts_96633db4153604d295fe0a565d0bea40","usage":{"chars":50,"total_tokens":1750,"use_count":26}}
﻿
data: [DONE]
返回字段
说明：
以下为返回字段的简要说明，各字段的完整含义、类型细节与边界说明等请参见 MiniMax API 文档。
字段
类型
说明
data
object
合成数据对象，可能为 null，需做非空判断。
data.audio
string
合成音频数据。output_format=hex（默认）时为 hex 编码；output_format=url 时为下载链接（有效期 24 小时）。
data.subtitle_file
string
字幕下载链接（JSON 格式，毫秒级时间戳，句级，每句不超过 50 字）；仅 subtitle_enable=true 时返回。
data.subtitle
object
流式返回时中间段返回字幕。
data.subtitle.text
string
分段文本。
data.subtitle.text_begin
integer
分段在本次合成文本中的起始字符位置（含）。
data.subtitle.text_end
integer
分段在本次合成文本中的结束字符位置（不含）。
data.subtitle.time_begin
double
分段起始时间，单位毫秒，相对本次合成音频的起点。
data.subtitle.time_end
double
分段结束时间，单位毫秒，相对本次合成音频的起点。
data.subtitle.timestamped_words
array
词级时间戳。
data.subtitle.timestamped_words[].time_begin
double
该词起始时间，单位毫秒。
data.subtitle.timestamped_words[].time_end
double
该词结束时间，单位毫秒。
data.subtitle.timestamped_words[].word
string
词文本。
data.subtitle.timestamped_words[].word_begin
integer
该词在本次合成文本中的起始字符位置（含）。
data.subtitle.timestamped_words[].word_end
integer
该词在本次合成文本中的结束字符位置（不含）。
data.status
integer
音频流状态：1 合成中 / 2 合成结束。
trace_id
string
本次会话 ID，用于咨询/反馈时定位问题。
extra_info
object
音频附加信息（详见下方子字段）。
extra_info.audio_length
integer
音频时长（毫秒）。
extra_info.audio_sample_rate
integer
音频采样率。
extra_info.audio_size
integer
音频文件大小（字节）。
extra_info.audio_format
string
音频格式：mp3 / pcm / flac 等。
extra_info.usage_characters
integer
计费字符数。
extra_info.word_count
integer
已发音字数（含汉字、数字、字母，不含标点符号）。
base_resp
object
本次请求的状态码与详情。
base_resp.status_code
integer
状态码（0 表示正常，详见下方错误码）。
base_resp.status_msg
string
状态详情。
usage
object
用量。
usage.total_token
integer
消耗 token 总量。
错误码
请参见 API 错误码说明。

项	值
地址	https://tokenhub.tencentmaas.com/v1/wand/minimax-tts/sync_tts
方法	POST
Content-Type	`application/json`
鉴权	`Authorization: Bearer YOUR_API_KEY`

模型名称	model（调用参数）	能力说明
MiniMax-Speech-2.8-HD	minimax-speech-2.8-hd	最新高保真版，支持情绪控制、语气词标签、声音效果器、字幕。
MiniMax-Speech-2.8-Turbo	minimax-speech-2.8-turbo	最新极速版，能力同 2.8-HD，时延更低。
MiniMax-Speech-2.6-HD	minimax-speech-2.6-hd	高保真版，支持情绪控制、声音效果器、字幕。
MiniMax-Speech-2.6-Turbo	minimax-speech-2.6-turbo	极速版，能力同 2.6-HD。
MiniMax-Speech-02-HD	minimax-speech-02-hd	高保真版，支持基础情绪控制与字幕。
MiniMax-Speech-02-Turbo	minimax-speech-02-turbo	极速版，能力同 02-HD。

参数	类型	必选	说明
model	string	是	模型版本。可选值见上文支持模型。
text	string	是	待合成文本，长度 < 10000；长文本建议合理分段调用。段落用换行分隔；停顿控制 <#x#>（秒）；行内发音替换用括号包裹拼音/IPA；语气词标签仅 speech-2.8 系列支持（如 (laughs) 笑声）。
voice_setting	object	是	音色设置（voice_id 必选）。
voice_setting.voice_id	string	是	音色编号；混合音色时置空本参数并改用 timbre_weights。支持系统音色、复刻音色、文生音色。
voice_setting.speed	float	否	语速，默认 1.0，范围 [0.5, 2]。
voice_setting.vol	float	否	音量，默认 1.0，范围 (0, 10]。
voice_setting.pitch	integer	否	语调，默认 0（原音色），范围 [-12, 12]。
voice_setting.emotion	string	否	情绪：happy / sad / angry / fearful / disgusted / surprised / calm / fluent / whisper；分别对应 9 种情绪：高兴，悲伤，愤怒，害怕，厌恶，惊讶，中性，生动，低语。一般无需手动指定，默认由模型自动匹配。说明： minimax-speech-2.8-hd, minimax-speech-2.8-turbo 模型不支持 whisper。
voice_setting.text_normalization	boolean	否	中英文文本规范化（提升数字阅读表现），默认 false。
voice_setting.latex_read	boolean	否	朗读 LaTeX 公式（公式首尾加 $$），默认 false。
audio_setting	object	否	音频设置。
audio_setting.sample_rate	integer	否	采样率，默认 32000，可选 [8000, 16000, 22050, 24000, 32000, 44100]。
audio_setting.bitrate	integer	否	比特率，默认 128000，可选 [32000, 64000, 128000, 256000]（仅 mp3 生效）。
audio_setting.format	string	否	格式，默认 mp3，可选 mp3 / pcm / flac / wav / pcmu_raw / pcmu_wav / opus。
audio_setting.channel	integer	否	声道数，默认 1（单声道），可选 [1, 2]。
pronunciation_dict	object	否	发音词典。
pronunciation_dict.tone	array[string]	否	自定义发音规则，格式原文/替换内容（替换内容可为纯文本/拼音/IPA/日语假名）。
timbre_weights	array	否	混合音色权重，最多 4 种（每项含 voice_id + weight，取值 1–100）。
language_boost	string	否	小语种/方言识别增强，默认 null，可设 auto。
voice_modify	object	否	声音效果器。
voice_modify.pitch	integer	否	音高调整（低沉/明亮），范围 [-100, 100]。
voice_modify.intensity	integer	否	强度调整（力量感/柔和），范围 [-100, 100]。
voice_modify.timbre	integer	否	音色调整（磁性/清脆），范围 [-100, 100]。
voice_modify.sound_effects	string	否	音效：spacious_echo / auditorium_echo / lofi_telephone / robotic。
subtitle_enable	boolean	否	开启字幕服务，默认 false。
subtitle_type	string	否	字幕粒度，默认 sentence，可选 sentence / word 。
output_format	string	否	输出形式，默认 hex，可选 url / hex（URL 有效期 24h）。
aigc_watermark	boolean	否	末尾添加音频节奏标识，默认 `false`。
stream	boolean	否	是否使用 SSE 流流式返回（建议输入超过5000字符选择此方式返回），默认 `false`。

字段	类型	说明
data	object	合成数据对象，可能为 null，需做非空判断。
data.audio	string	合成音频数据。output_format=hex（默认）时为 hex 编码；output_format=url 时为下载链接（有效期 24 小时）。
data.subtitle_file	string	字幕下载链接（JSON 格式，毫秒级时间戳，句级，每句不超过 50 字）；仅 subtitle_enable=true 时返回。
data.subtitle	object	流式返回时中间段返回字幕。
data.subtitle.text	string	分段文本。
data.subtitle.text_begin	integer	分段在本次合成文本中的起始字符位置（含）。
data.subtitle.text_end	integer	分段在本次合成文本中的结束字符位置（不含）。
data.subtitle.time_begin	double	分段起始时间，单位毫秒，相对本次合成音频的起点。
data.subtitle.time_end	double	分段结束时间，单位毫秒，相对本次合成音频的起点。
data.subtitle.timestamped_words	array	词级时间戳。
data.subtitle.timestamped_words[].time_begin	double	该词起始时间，单位毫秒。
data.subtitle.timestamped_words[].time_end	double	该词结束时间，单位毫秒。
data.subtitle.timestamped_words[].word	string	词文本。
data.subtitle.timestamped_words[].word_begin	integer	该词在本次合成文本中的起始字符位置（含）。
data.subtitle.timestamped_words[].word_end	integer	该词在本次合成文本中的结束字符位置（不含）。
data.status	integer	音频流状态：1 合成中 / 2 合成结束。
trace_id	string	本次会话 ID，用于咨询/反馈时定位问题。
extra_info	object	音频附加信息（详见下方子字段）。
extra_info.audio_length	integer	音频时长（毫秒）。
extra_info.audio_sample_rate	integer	音频采样率。
extra_info.audio_size	integer	音频文件大小（字节）。
extra_info.audio_format	string	音频格式：mp3 / pcm / flac 等。
extra_info.usage_characters	integer	计费字符数。
extra_info.word_count	integer	已发音字数（含汉字、数字、字母，不含标点符号）。
base_resp	object	本次请求的状态码与详情。
base_resp.status_code	integer	状态码（0 表示正常，详见下方错误码）。
base_resp.status_msg	string	状态详情。
usage	object	用量。
usage.total_token	integer	消耗 token 总量。

MiniMax 同步语音合成

本页目录：

概述

前提条件

接口信息

支持模型

请求体

请求示例

请求参数

返回体

返回示例

返回字段

错误码