wss://openspeech.bytedance.com/api/v3/tts/bidirection

WebSocket协议，实时交互场景，支持文本实时流式输入，流式输出音频。

语音合成、声音复刻、混音

V3 WebSocket双向流式文档

wss://openspeech.bytedance.com/api/v3/tts/unidirectional/stream

WebSocket协议，一次性输入合成文本，流式输出音频。

语音合成、声音复刻、混音

V3 WebSocket单向流式文档

https://openspeech.bytedance.com/api/v3/tts/unidirectional

HTTP Chunked协议，一次性输入全部合成文本，流式输出音频。

语音合成、声音复刻、混音

V3 HTTP Chunked单向流式文档

https://openspeech.bytedance.com/api/v3/tts/unidirectional/sse

HTTP SSE协议，一次性输入全部合成文本，流式输出音频。

语音合成、声音复刻、混音

V3 Server Sent Events（SSE）单向流式文档

X-Api-App-Id

使用火山引擎控制台获取的APP ID，可参考 控制台使用FAQ-Q1

是

123456789

X-Api-Access-Key

使用火山引擎控制台获取的Access Token，可参考 控制台使用FAQ-Q1

是

your-access-key

X-Api-Resource-Id

表示调用服务的资源信息 ID

• 豆包语音合成模型1.0：
  • seed-tts-1.0 或者 volc.service_type.10029（字符版）
  • seed-tts-1.0-concurr 或者 volc.service_type.10048（并发版）
• 豆包语音合成模型2.0:
  • seed-tts-2.0 (字符版)
• 声音复刻：
  • seed-icl-1.0（声音复刻1.0字符版）
  • seed-icl-1.0-concurr（声音复刻1.0并发版）
  • seed-icl-2.0 (声音复刻2.0字符版)

注意：

• "豆包语音合成模型1.0"的资源信息ID仅适用于"豆包语音合成模型1.0"的音色
• "豆包语音合成模型2.0"的资源信息ID仅适用于"豆包语音合成模型2.0"的音色

是

• 豆包语音合成模型1.0：
  • seed-tts-1.0
  • seed-tts-1.0-concurr
• 豆包语音合成模型2.0:
  • seed-tts-2.0
• 声音复刻：
  • seed-icl-1.0（声音复刻1.0字符版）
  • seed-icl-1.0-concurr（声音复刻1.0并发版）
  • seed-icl-2.0 (声音复刻2.0字符版)

X-Api-Request-Id

标识客户端请求ID，uuid随机字符串

否

67ee89ba-7050-4c04-a3d7-ac61a63499b3

X-Control-Require-Usage-Tokens-Return

请求消耗的用量返回控制标记。当携带此字段，在合成音频结束时的返回数据中会多一个usage的JSON Object字段，其中包含了所需的用量数据。

否

• 设置为*，表示返回已支持的用量数据。
• 也设置为具体的用量数据标记，如text_words；多个用逗号分隔
• 当前已支持的用量数据
  • text_words，表示计费字符数

X-Tt-Logid

服务端返回的 logid，建议用户获取和打印方便定位问题

2025041513355271DF5CF1A0AE0508E78C

user

用户信息

user.uid

用户uid

namespace

请求方法

string

BidirectionalTTS

req_params.text

输入文本

string

req_params.model

模型版本，传seed-tts-1.1较默认版本音质有提升，并且延时更优，不传为默认效果。
注：若使用1.1模型效果，在复刻场景中会放大训练音频prompt特质，因此对prompt的要求更高，使用高质量的训练音频，可以获得更优的音质效果。

以下参数仅针对声音复刻2.0的音色生效，即音色ID的前缀为saturn_的音色。音色的取值为以下两种：

• seed-tts-2.0-expressive：表现力较强，支持QA和Cot能力，不过可能存在抽卡的情况。
• seed-tts-2.0-standard：表现力上更加稳定，但是不支持QA和Cot能力。如果此时使用QA或Cot能力，则拒绝请求。
• 如果不传model参数，默认使用seed-tts-2.0-expressive模型。

string

req_params.ssml

• 当文本格式是ssml时，需要将文本赋值为ssml，此时文本处理的优先级高于text。ssml和text字段，至少有一个不为空
• "豆包语音合成模型2.0"的音色 暂不支持
• 豆包声音复刻模型2.0（icl 2.0）的音色暂不支持

string

req_params.speaker

发音人，具体见发音人列表

√

string

req_params.audio_params

音频参数，便于服务节省音频解码耗时

√

object

req_params.audio_params.format

音频编码格式，mp3/ogg_opus/pcm。接口传入wav并不会报错，在流式场景下传入wav会多次返回wav header，这种场景建议使用pcm。

string

mp3

req_params.audio_params.sample_rate

音频采样率，可选值 [8000,16000,22050,24000,32000,44100,48000]

number

24000

req_params.audio_params.bit_rate

音频比特率，可传16000、32000等。
bit_rate默认设置范围为64k～160k，传了disable_default_bit_rate为true后可以设置到64k以下
GoLang示例：additions = fmt.Sprintf("{"disable_default_bit_rate":true}")
注：​bit_rate只针对MP3格式，wav计算比特率跟pcm一样是 比特率 (bps) = 采样率 × 位深度 × 声道数
目前大模型TTS只能改采样率，所以对于wav格式来说只能通过改采样率来变更音频的比特率

number

req_params.audio_params.emotion

设置音色的情感。示例："emotion": "angry"
注：当前仅部分音色支持设置情感，且不同音色支持的情感范围存在不同。
详见：大模型语音合成API-音色列表-多情感音色

string

req_params.audio_params.emotion_scale

调用emotion设置情感参数后可使用emotion_scale进一步设置情绪值，范围1~5，不设置时默认值为4。
注：理论上情绪值越大，情感越明显。但情绪值1~5实际为非线性增长，可能存在超过某个值后，情绪增加不明显，例如设置3和5时情绪值可能接近。

number

4

req_params.audio_params.speech_rate

语速，取值范围[-50,100]，100代表2.0倍速，-50代表0.5倍数

number

0

req_params.audio_params.loudness_rate

音量，取值范围[-50,100]，100代表2.0倍音量，-50代表0.5倍音量（mix音色暂不支持）

number

0

req_params.audio_params.enable_timestamp
(仅TTS1.0支持)

设置 "enable_timestamp": true 返回句级别字的时间戳（默认为 false，参数传入 true 即表示启用）
开启后，在原有返回的事件event=TTSSentenceEnd中，新增该子句的时间戳信息。

• 一个子句的时间戳返回之后才会开始返回下一句音频。
• 合成有多个子句会多次返回TTSSentenceStart和TTSSentenceEnd。开启字幕后字幕跟随TTSSentenceEnd返回。
• 字/词粒度的时间戳，其中字/词是tn。具体可以看下面的例子。
• 支持中、英，其他语种、方言暂时不支持。

注：该字段仅适用于"豆包语音合成模型1.0"的音色

bool

false

req_params.audio_params.enable_subtitle

设置 "enable_subtitle": true 返回句级别字的时间戳（默认为 false，参数传入 true 即表示启用）
开启后，新增返回事件event=TTSSubtitle，包含字幕信息。

• 在一句音频合成之后，不会立即返回该句的字幕。合成进度不会被字幕识别阻塞，当一句的字幕识别完成后立即返回。可能一个子句的字幕返回的时候，已经返回下一句的音频帧给调用方了。
• 合成有多个子句，仅返回一次TTSSentenceStart和TTSSentenceEnd。开启字幕后会多次返回TTSSubtitle。
• 字/词粒度的时间戳，其中字/词是原文。具体可以看下面的例子。
• 支持中、英，其他语种、方言暂时不支持；
• latex公式不支持
  • req_params.additions.enable_latex_tn为true时，不开启字幕识别功能，即不返回字幕；
• ssml不支持
  • req_params.ssml 不传时，不开启字幕识别功能，即不返回字幕；

注：该参数只在TTS2.0、ICL2.0生效。

bool

false

req_params.additions

用户自定义参数

jsonstring

req_params.additions.silence_duration

设置该参数可在句尾增加静音时长，范围0~30000ms。（注：增加的句尾静音主要针对传入文本最后的句尾，而非每句话的句尾）

number

0

req_params.additions.enable_language_detector

自动识别语种

bool

false

req_params.additions.disable_markdown_filter

是否开启markdown解析过滤，
为true时，解析并过滤markdown语法，例如，**你好**，会读为“你好”，
为false时，不解析不过滤，例如，**你好**，会读为“星星‘你好’星星”

bool

false

req_params.additions.disable_emoji_filter

开启emoji表情在文本中不过滤显示，默认为false，建议搭配时间戳参数一起使用。
GoLang示例：additions = fmt.Sprintf("{"disable_emoji_filter":true}")

bool

false

req_params.additions.mute_cut_remain_ms

该参数需配合mute_cut_threshold参数一起使用，其中：
"mute_cut_threshold": "400", // 静音判断的阈值（音量小于该值时判定为静音）
"mute_cut_remain_ms": "50", // 需要保留的静音长度
注：参数和value都为string格式
Golang示例：additions = fmt.Sprintf("{"mute_cut_threshold":"400", "mute_cut_remain_ms": "1"}")
特别提醒：

• 因MP3格式的特殊性，句首始终会存在100ms内的静音无法消除，WAV格式的音频句首静音可全部消除，建议依照自身业务需求综合判断选择
• "豆包语音合成模型2.0"的音色 暂不支持
• 豆包声音复刻模型2.0（icl 2.0）的音色暂不支持

string

req_params.additions.enable_latex_tn

是否可以播报latex公式，需将disable_markdown_filter设为true

bool

false

req_params.additions.latex_parser

是否使用lid 能力播报latex公式，相较于latex_tn 效果更好；
值为“v2”时支持lid能力解析公式，值为“”时不支持lid；
需同时将disable_markdown_filter设为true；

string

req_params.additions.max_length_to_filter_parenthesis

是否过滤括号内的部分，0为不过滤，100为过滤

int

100

req_params.additions.explicit_language（明确语种）

仅读指定语种的文本
精品音色和 声音复刻ICL1.0场景：

• 不给定参数，正常中英混
• crosslingual 启用多语种前端（包含zh/en/ja/es-ms/id/pt-br）
• zh-cn 中文为主，支持中英混
• en 仅英文
• ja 仅日文
• es-mx 仅墨西
• id 仅印尼
• pt-br 仅巴葡

DIT 声音复刻场景：
当音色是使用model_type=2训练的，即采用dit标准版效果时，建议指定明确语种，目前支持：

• 不给定参数，启用多语种前端zh,en,ja,es-mx,id,pt-br,de,fr
• zh,en,ja,es-mx,id,pt-br,de,fr 启用多语种前端
• zh-cn 中文为主，支持中英混
• en 仅英文
• ja 仅日文
• es-mx 仅墨西
• id 仅印尼
• pt-br 仅巴葡
• de 仅德语
• fr 仅法语

当音色是使用model_type=3训练的，即采用dit还原版效果时，必须指定明确语种，目前支持：

• 不给定参数，正常中英混
• zh-cn 中文为主，支持中英混
• en 仅英文

声音复刻 ICL2.0场景：
当音色是使用model_type=4训练的

• 不给定参数，正常中英混
• zh-cn 中文为主，支持中英混
• en 仅英文

GoLang示例：additions = fmt.Sprintf("{"explicit_language": "zh"}")

string

req_params.additions.context_language（参考语种）

给模型提供参考的语种

• 不给定 西欧语种采用英语
• id 西欧语种采用印尼
• es 西欧语种采用墨西
• pt 西欧语种采用巴葡

string

req_params.additions.unsupported_char_ratio_thresh

默认: 0.3，最大值: 1.0
检测出不支持合成的文本超过设置的比例，则会返回错误。

float

0.3

req_params.additions.aigc_watermark

默认：false
是否在合成结尾增加音频节奏标识

bool

false

req_params.additions.aigc_metadata （meta 水印）

在合成音频 header加入元数据隐式表示，支持 mp3/wav/ogg_opus

object

req_params.additions.aigc_metadata.enable

是否启用隐式水印

bool

false

req_params.additions.aigc_metadata.content_producer

合成服务提供者的名称或编码

string

""

req_params.additions.aigc_metadata.produce_id

内容制作编号

string

""

req_params.additions.aigc_metadata.content_propagator

内容传播服务提供者的名称或编码

string

""

req_params.additions.aigc_metadata.propagate_id

内容传播编号

string

""

req_params.additions.cache_config（缓存相关参数）

开启缓存，开启后合成相同文本时，服务会直接读取缓存返回上一次合成该文本的音频，可明显加快相同文本的合成速率，缓存数据保留时间1小时。
（通过缓存返回的数据不会附带时间戳）
Golang示例：additions = fmt.Sprintf("{"disable_default_bit_rate":true, "cache_config": {"text_type": 1,"use_cache": true}}")

object

req_params.additions.cache_config.text_type（缓存相关参数）

和use_cache参数一起使用，需要开启缓存时传1

int

1

req_params.additions.cache_config.use_cache（缓存相关参数）

和text_type参数一起使用，需要开启缓存时传true

bool

true

req_params.additions.post_process

后处理配置
Golang示例：additions = fmt.Sprintf("{"post_process":{"pitch":12}}")

object

req_params.additions.post_process.pitch

音调取值范围是[-12,12]

int

0

req_params.additions.context_texts
(仅TTS2.0支持)

语音合成的辅助信息，用于模型对话式合成，能更好的体现语音情感；
可以探索，比如常见示例有以下几种：

1. 语速调整
   1. 比如：context_texts: ["你可以说慢一点吗？"]
2. 情绪/语气调整
   1. 比如：context_texts=["你可以用特别特别痛心的语气说话吗?"]
   2. 比如：context_texts=["嗯，你的语气再欢乐一点"]
3. 音量调整
   1. 比如：context_texts=["你嗓门再小点。"]
4. 音感调整
   1. 比如：context_texts=["你能用骄傲的语气来说话吗？"]

注意：

1. 该字段仅适用于"豆包语音合成模型2.0"的音色
2. 当前字符串列表只第一个值有效
3. 该字段文本不参与计费

string list

null

[]req_params.mix_speaker

混音参数结构
注意：

1. 该字段仅适用于"豆包语音合成模型1.0"的音色

object

req_params.mix_speaker.speakers

混音音色名以及影响因子列表
注意：

1. 最多支持3个音色混音
2. 音色风格差异较大的两个音色（如男女混），以0.5-0.5同等比例混合时，可能出现偶发跳变，建议尽量避免
3. 使用Mix能力时，req_params.speaker = custom_mix_bigtts

list

null

req_params.mix_speaker.speakers[i].source_speaker

混音源音色名
注意：

1. 支持"豆包语音合成模型1.0"的音色、"语音合成（小模型）"的音色、声音复刻大模型的音色
2. 使用声音复刻大模型音色时，使用S_开头的speakerid，或者使用查询接口获取的icl_的speakerid，不支持DiT_或者 saturn_开头的speakerid

string

""

req_params.mix_speaker.speakers[i].mix_factor

混音源音色名影响因子
注意：

1. 混音影响因子和必须=1

float

0

事件交互区别

合成有多个子句会多次返回TTSSentenceStart和TTSSentenceEnd。开启字幕后字幕跟随TTSSentenceEnd返回。

合成有多个子句，仅返回一次TTSSentenceStart和TTSSentenceEnd。
开启字幕后会多次返回TTSSubtitle。

返回时机

一个子句的时间戳返回之后才会开始返回下一句音频。

在一句音频合成之后，不会立即返回该句的字幕。
合成进度不会被字幕识别阻塞，当一句的字幕识别完成后立即返回。
可能一个子句的字幕返回的时候，已经返回下一句的音频帧给调用方了。

句子返回格式

字幕信息是基于tn打轴

第一句：

{
    "phonemes": [
    ],
    "text": "2019年1月8日，软件2.0版本于格萨拉彝族乡应时而生。发布会当日，一场瑞雪将天地映衬得纯净无瑕。",
    "words": [
        {
            "confidence": 0.8766515,
            "endTime": 0.295,
            "startTime": 0.155,
            "word": "二"
        },
        {
            "confidence": 0.95224416,
            "endTime": 0.425,
            "startTime": 0.295,
            "word": "零"
        },
        {
            "confidence": 0.9108828,
            "endTime": 0.575,
            "startTime": 0.425,
            "word": "一"
        },
        {
            "confidence": 0.9609025,
            "endTime": 0.755,
            "startTime": 0.575,
            "word": "九"
        },
        {
            "confidence": 0.96244556,
            "endTime": 1.005,
            "startTime": 0.755,
            "word": "年"
        },
        {
            "confidence": 0.85796577,
            "endTime": 1.155,
            "startTime": 1.005,
            "word": "一"
        },
        {
            "confidence": 0.8460129,
            "endTime": 1.275,
            "startTime": 1.155,
            "word": "月"
        },
        {
            "confidence": 0.90833753,
            "endTime": 1.505,
            "startTime": 1.275,
            "word": "八"
        },
        {
            "confidence": 0.9403977,
            "endTime": 1.935,
            "startTime": 1.505,
            "word": "日，"
        },

        ...

        {
            "confidence": 0.9415791,
            "endTime": 10.505,
            "startTime": 10.355,
            "word": "无"
        },
        {
            "confidence": 0.903162,
            "endTime": 10.895, // 第一句结束时间
            "startTime": 10.505,
            "word": "瑕。"
        }
    ]
}

第二句：

{
    "phonemes": [

    ],
    "text": "这仿佛一则自然寓言：我们致力于在不断的版本迭代中，为您带来如雪后初霁般清晰、焕然一新的体验。",
    "words": [
        {
            "confidence": 0.8970245,
            "endTime": 11.6953745,
            "startTime": 11.535375, // 第二句开始时间，是相对整个session的位置
            "word": "这"
        },
        {
            "confidence": 0.86508185,
            "endTime": 11.875375,
            "startTime": 11.6953745,
            "word": "仿"
        },
        {
            "confidence": 0.73354065,
            "endTime": 12.095375,
            "startTime": 11.875375,
            "word": "佛"
        },
        {
            "confidence": 0.8525295,
            "endTime": 12.275374,
            "startTime": 12.095375,
            "word": "一"
        }...
    ]
}

字幕信息是基于原文打轴

第一句：

{
    "phonemes": [
    ],
    "text": "2019年1月8日，软件2.0版本于格萨拉彝族乡应时而生。",
    "words": [
        {
            "confidence": 0.11120544,
            "endTime": 0.615,
            "startTime": 0.585,
            "word": "2019"
        },
        {
            "confidence": 0.8413397,
            "endTime": 0.845,
            "startTime": 0.615,
            "word": "年"
        },
        {
            "confidence": 0.2413961,
            "endTime": 0.875,
            "startTime": 0.845,
            "word": "1"
        },
        {
            "confidence": 0.8487973,
            "endTime": 1.055,
            "startTime": 0.875,
            "word": "月"
        },
        {
            "confidence": 0.509697,
            "endTime": 1.225,
            "startTime": 1.165,
            "word": "8"
        },
        {
            "confidence": 0.9516253,
            "endTime": 1.485,
            "startTime": 1.225,
            "word": "日，"
        },

        ...

        {
            "confidence": 0.6933777,
            "endTime": 5.435,
            "startTime": 5.325,
            "word": "而"
        },
        {
            "confidence": 0.921702,
            "endTime": 5.695, // 第一句结束时间
            "startTime": 5.435,
            "word": "生。"
        }
    ]
}

第二句：

{
    "phonemes": [

    ],
    "text": "发布会当日，一场瑞雪将天地映衬得纯净无瑕。",
    "words": [
        {
            "confidence": 0.7016578,
            "endTime": 6.3550415,
            "startTime": 6.2150416, // 第二句开始时间，是相对整个session的位置
            "word": "发"
        },
        {
            "confidence": 0.6800497,
            "endTime": 6.4450417,
            "startTime": 6.3550415,
            "word": "布"
        },

        ...

        {
            "confidence": 0.8818264,
            "endTime": 10.145041,
            "startTime": 9.945042,
            "word": "净"
        },
        {
            "confidence": 0.87248623,
            "endTime": 10.285042,
            "startTime": 10.145041,
            "word": "无"
        },
        {
            "confidence": 0.8069703,
            "endTime": 10.505041,
            "startTime": 10.285042,
            "word": "瑕。"
        }
    ]
}

语种

中、英，不支持小语种、方言

中、英，不支持小语种、方言

latex

enable_latex_tn=true，有字幕返回

enable_latex_tn=true，无字幕返回，接口不报错

ssml

req_params.ssml不为空，有字幕返回

req_params.ssml不为空，无字幕返回，接口不报错

Content-Type

返回的数据类型，一般为event-stream

text/event-stream

X-Tt-Logid

服务端返回的 logid，建议用户获取和打印方便定位问题

2025041513355271DF5CF1A0AE0508E78C

20000000

ok

音频合成结束的成功状态码

40402003

TTSExceededTextLimit:exceed max limit

提交文本长度超过限制

45000000

speaker permission denied: get resource id: access denied

音色鉴权失败，一般是speaker指定音色未授权或者错误导致

quota exceeded for types: concurrency

并发限流，一般是请求并发数超过限制

55000000

服务端一些error

服务端通用错误