跳到主要内容

IndexTTS2 API

index-tts-v2 提供 10 个开箱即用的预置音色，并支持用一句话描述目标情感。 输出 22.05 kHz 单声道音频。

本模型串行处理请求，不适合批量或高并发场景，批量合成请使用 matrix-tts-v1。

快速开始​

curl --fail-with-body \
  -X POST 'https://mzsjai.com/v1/audio/speech' \
  -H "Authorization: Bearer ${MOZIA_API_KEY}" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "index-tts-v2",
    "input": "你好，这是一段由 IndexTTS2 生成的语音。",
    "voice": "voice_01"
  }' \
  --output speech.wav

请求参数​

参数类型必填说明
modelstring是固定为 index-tts-v2
inputstring是待合成文本，上限 4000 字符
voicestring否预置音色，voice_01～voice_10，默认 voice_01
instructionsstring否情感描述文本，例如 "非常开心兴奋"
ref_audiostring否Base64 编码的参考音频，传入后覆盖 voice
response_formatstring否wav（默认）、flac、ogg、opus

预置音色​

可选值为 voice_01 到 voice_10。传入其他名称会返回 400：

{"detail": "preset voice not allowed: my-voice"}

各音色的实际听感请通过一次短文本合成试听确定。

情感控制​

用 instructions 传入一句情感描述，模型会据此调整语气：

curl --fail-with-body \
  -X POST 'https://mzsjai.com/v1/audio/speech' \
  -H "Authorization: Bearer ${MOZIA_API_KEY}" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "index-tts-v2",
    "input": "太好了，我们成功了！",
    "voice": "voice_03",
    "instructions": "非常开心兴奋"
  }' \
  --output happy.wav

instructions 接受自由描述，与 matrix-tts-v1 的固定词典不同。

:::note 情感向量与情感参考音频暂未开放

模型本身还支持用数值向量或一段情感参考音频来控制情感，但这两种方式目前不在平台开放的参数范围内， 通过 API 传入不会生效。当前请使用 instructions 进行情感控制。

:::

带情感描述的请求需要额外的情感推断步骤，耗时通常比普通合成更长。

声音克隆​

传入 ref_audio 即可克隆参考音频的音色，此时 voice 不再生效：

REF_B64=$(base64 -i my-voice.wav | tr -d '\n')

curl --fail-with-body \
  -X POST 'https://mzsjai.com/v1/audio/speech' \
  -H "Authorization: Bearer ${MOZIA_API_KEY}" \
  -H 'Content-Type: application/json' \
  -d "{
    \"model\": \"index-tts-v2\",
    \"input\": \"用我的声音念这句话。\",
    \"ref_audio\": \"${REF_B64}\"
  }" \
  --output cloned.wav

输出​

返回 22.05 kHz、单声道、16 位音频。默认为 WAV。 三个语音模型中本模型采样率最低，对音质要求较高时建议选择 48 kHz 的另外两个模型。

请求 mp3 或 pcm 不会报错，但返回的仍是 WAV 数据，详见语音合成总览。

错误码​

状态码触发条件
400input 为空或超过 4000 字符；voice 不在预置列表；ref_audio 不是合法 Base64
500合成失败
503模型加载中或服务繁忙

其余错误码见语音合成总览。