想在火山引擎调用豆包TTS生成AI语音，通常需要按步骤完成：先开通相关服务、获取Access Key与Secret Key并部署模型；然后通过SDK或手动签名方式建立WebSocket连接；最后发送符合规范的JSON初始化帧，并解析 event_type=352 返回的二进制音频帧。

如果想在火山引擎上制作可直接调用的AI语音，必须先开通豆包TTS语音合成服务、获取认证凭证、构造符合协议要求的WebSocket请求帧，并正确解析服务端返回的二进制音频流。这几个步骤缺一不可，也是完成火山引擎智能语音生成的关键。

开通豆包TTS服务并获取密钥

登录火山引擎控制台 → 进入「ARK」大模型平台 → 将区域切换为 cn-beijing → 在左侧导航栏点击「语音合成（TTS）」→ 再点击「立即开通」。

开通完成后，进入「API密钥管理」页面，创建新的Access Key，并妥善保存 【Access Key ID】 和 【Secret Access Key】；这两个参数后续会用于接口鉴权和签名计算，务必注意保密，避免泄露或遗失。

随后返回TTS服务页面，点击「模型管理」→ 找到「豆包语音合成大模型」→ 点击「部署」→ 选择「实时流式合成」类型并确认部署。等待模型状态变为「运行中」后，即可正式开始调用火山引擎AI语音接口。

构造合法的WebSocket连接请求

方法一：使用最新SDK（更适合新手快速接入）

在Python项目中安装 volcengine-sdk-python：pip install volcengine；初始化TTSClient时传入刚获取的Access Key和Region，调用create_tts_stream()即可快速建立带自动鉴权能力的WebSocket连接。

方法二：手写签名请求（适合调试、排错和个性化定制）

第一步：拼接待签名字符串，格式为 GETn/volc/engine/tts/streamnaccess_key=xxx&action=CreateTTSStream&format=wa v®ion=cn-beijing×tamp=1724089860&version=2024-01-01。其中，timestamp必须使用当前秒级时间戳，且误差不能超过5分钟，否则接口通常会返回403错误。

第二步：使用Secret Access Key对该字符串进行HMAC-SHA256签名，再进行Base64编码，得到 signature 字段。

第三步：将signature拼接到完整URL中，形成类似如下格式：wss://open.volcengineapi.com?access_key=xxx&signature=yyy×tamp=zzz&…，然后使用任意支持WebSocket的客户端连接该地址即可。

发送文本并接收音频流

连接建立成功后，需要立即发送一个JSON格式的初始化帧：

{"text": "你好，我是AI语音助手", "voice_type": "zh-CN-xiaoyan", "sample_rate": 16000, "format": "wa v"}

需要注意的是：text字段长度不能超过1024字符，超出后内容会被截断且通常不会报错；voice_type必须从控制台「音色列表」中精确复制，大小写、连字符都必须完全一致，例如误填为 zh-cn-xiaoyan 就可能触发400响应错误。

服务端返回的是自定义二进制帧，整体结构为：4字节头部 + 4字节事件类型 + 4字节会话ID长度 + 会话ID + 4字节数据长度 + 音频数据。只有当 event_type == 352（AUDIO_DATA）时，后续数据才是真正的PCM/WA V音频内容；其他类型如152（SESSION_FINISHED）则表示当前会话已经结束，此时应主动关闭连接。

在收到 AUDIO_DATA 帧后，提取原始音频字节流，并按照 format 字段指定的格式进行封装处理（例如 wa v 需要补充RIFF头），之后即可用于播放器播放，或直接保存为本地音频文件。