从事内容产品的开发者经常遇到这样一个典型需求：需要将文字转换为自然流畅的语音，同时保留可复用的音色，试听延迟不能过高，并且最终能够获得带时间轴的字幕以便后期剪辑。
近期，我们在声声工坊中梳理了一条完整的声音生产链路，其中包含几个关键的接口设计要点，可作为中文TTS功能接入的参考：
- 上传或录制5-15秒的参考音频接口
- 基于参考音频生成全新语音
- 通过文本提示（Prompt）创建自定义音色
- 使用简短提示控制方言或风格，例如粤语、四川话、轻快语速等
- 生成后进行语音识别，输出文本、SRT、VTT字幕以及时间轴
- 通过兼容OpenAI风格的API接入流式或非流式TTS
API 调用方式解析
直接看一个调用示例：
curl -X POST "https://api.sssay.com/v1/audio/speech" \
-H "Authorization: Bearer sk-your-api-key" \
-H "Content-Type: application/json" \
--output output.mp3 \
-d '{
"model": "voice-clone-tts",
"voice": "vcv_your_api_voice_id",
"input": "欢迎使用声声工坊生成语音。",
"format": "mp3"
}'
如果业务场景更注重试听反馈效果，可以启用流式模式：
{
"model": "voice-clone-tts",
"voice": "vcv_your_api_voice_id",
"input": "这是一段流式返回的语音。",
"format": "mp3",
"stream": true
}
如果需要加入方言或特定风格，可以通过短提示字段实现。建议该字段保持简洁，避免将复杂文案与风格控制混淆：
{
"model": "voice-clone-tts",
"voice": "vcv_your_api_voice_id",
"input": "这段内容更适合轻快一点的表达。",
"format": "mp3",
"instruction": "语速轻快"
}
生产环境接入建议关注点
- 音色ID不应暴露内部provider记录，声声工坊采用
vcv_前缀作为外部API音色标识。 - 将生成额度与音色保存额度分开管理，便于产品侧向用户解释成本结构。
- 网页端与API使用同一套字数额度，确保用户在不同入口看到一致的余额。
- 语音识别与生成历史仅保留近期记录，长期资产只保存用户主动存储的音色。
- 实时试听场景推荐使用流式输出，后台批量任务则使用非流式方式。
典型应用场景
- 短视频工具：自动生成旁白、改稿补录、导出带时间轴的字幕
- 在线教育：课程章节配音、局部内容修改、课件语音合成
- 内容平台：多音色朗读功能、小说或播客片段制作
- 企业产品：语音导览、自动播报、客服提示音
如需获取更详细的接口文档，可直接查阅声声工坊的官方文档说明。
