实时语音合成

说明：

此接口为 API 2.0 版本，在参数风格、错误码等方面有区别于 API 3.0 版本，请知悉。

本接口服务采用 websocket 协议，将请求文本合成为音频，同步返回合成音频数据及相关文本信息，达到“边合成边播放”的效果。
在使用该接口前，需要 开通语音合成服务，并进入 API 密钥管理页面 新建密钥，生成 AppID、SecretID 和 SecretKey，用于 API 调用时生成签名，签名将用来进行接口鉴权。

接口要求

集成实时语音合成 API 时，需按照以下要求。

内容	说明
音色种类	支持中文普通话、英语、方言的合成，音色 ID 详见 音色列表页。可通过接口参数 VoiceType 设置对应音色 ID
支持场景	通用、客服、情感、阅读、新闻等，详见 音色列表页
音频属性	采样率：16000Hz或8000Hz 采样精度：16bits 声道：单声道（mono）
音频格式	pcm、mp3、opus
请求协议	wss 协议
请求地址	wss://tts.cloud.tencent.com/stream_ws?{请求参数}
接口鉴权	签名鉴权机制，详见 签名生成
响应格式	音频信息通过 binary 类型帧，返回原始二进制数据； 文本信息通过 text 类型帧，返回 JSON 格式数据（如状态码、时间戳等）
并发限制	默认单账号限制并发 精品音色和标准音色：20路； 大模型音色：10路； 一句话复刻音色：5路； 如您有提高并发限制的需求，请联系商务经理咨询或 购买并发。

接口调用流程

接口调用流程分为两个阶段：握手阶段和合成阶段。两阶段后台均会返回 text message，内容为 json 序列化字符串，以下是格式说明：

字段名	类型	描述
code	Integer	状态码，0代表正常，非0值表示发生错误
message	String	错误说明，发生错误时显示这个错误发生的具体原因，随着业务发展或体验优化，此文本可能会经常保持变更或更新
session_id	String	音频流唯一 id，由客户端在握手阶段生成并赋值在调用参数中
request_id	String	音频流唯一 id，由服务端在握手阶段自动生成
message_id	String	本 message 唯一 id
result	Result	最新语音合成文本结果
final	Integer	该字段返回1时表示文本全部合成结束，客户端收到后需主动关闭 websocket 连接

其中合成结果 Result 结构体格式为：

字段名	类型	描述
subtitles	Subtitle Array	当前一段话的词列表，Subtitle 结构体格式为： Text: String 类型，该字的内容。 BeginTime: Integer 类型，该字在整个音频流中的起始时间。 EndTime: Integer 类型，该字在整个音频流中的结束时间。 BeginIndex: Integer 类型，该字在整个文本中的开始位置，从0开始。 EndIndex: Integer 类型，该字在整个文本中的结束位置，从0开始。 Phoneme: String 类型，该字的音素（注意：此字段可能返回 null，表示取不到有效值）。

握手阶段

请求格式

握手阶段，客户端主动发起 websocket 连接请求，请求 URL 格式为：

wss://tts.cloud.tencent.com/stream_ws?{请求参数}

其中<appid>需替换为腾讯云注册账号的 AppID，可通过 API 密钥管理页面 获取，{请求参数}格式为

key1=value2&key2=value2...(key 和 value 都需要进行 urlencode)

参数说明：

参数名称	必填	类型	描述
Action	是	String	调用接口名，取值为：TextToStreamAudioWS
AppId	是	Integer	账号 AppId（请确保该字段数据类型为整型 int）
SecretId	是	String	腾讯云注册账号的密钥 SecretId，可通过 API 密钥管理页面 获取
Timestamp	是	Integer	当前 UNIX 时间戳，可记录发起 API 请求的时间。例如1529223702，如果与当前时间相差过大，会引起签名过期错误
Expired	是	Integer	签名的有效期，是一个符合 UNIX Epoch 时间戳规范的数值，单位为秒；Expired 必须大于 Timestamp 且 Expired-Timestamp 小于90天
SessionId	是	String	语音合成全局唯一标识，一个 websocket 连接对应一个，用户自己生成（推荐使用 uuid），最长128位。
Text	是	String	合成语音的源文本，按UTF-8编码统一计算。中文最大支持 600 个汉字（全角标点符号算一个汉字）；英文最大支持 1800 个字母（半角标点符号算一个字母）。
VoiceType	否	Integer	音色 ID，包括标准音色与精品音色，精品音色拟真度更高，价格不同于标准音色，请参见 购买指南。完整的音色 ID 列表请参见 音色列表。 若使用一句话版声音复刻，请填入固定值“200000000”。
Volume	否	Float	音量大小，范围[-10，10]，对应音量大小。默认为0，代表正常音量，值越大音量越高。
Speed	否	Float	语速，范围：[-2，6]，分别对应不同语速： -2: 代表0.6倍 -1: 代表0.8倍 0: 代表1.0倍（默认） 1: 代表1.2倍 2: 代表1.5倍 6: 代表2.5倍 如果需要更细化的语速，可以保留小数点后 2 位，例如0.5/1.25/2.81等。 参数值与实际语速转换，可参考 代码示例
SampleRate	否	Integer	音频采样率： 24000：24k（部分音色支持，请参见 音色列表） 16000：16k（默认） 8000：8k
Codec	否	String	返回音频格式： opus: 返回多段含 opus 压缩分片音频（默认） pcm: 返回二进制 pcm 音频 mp3: 返回二进制 mp3 音频
EnableSubtitle	否	Boolean	是否开启时间戳功能，默认为false。
EmotionCategory	否	String	控制合成音频的情感，仅支持多情感音色使用。取值: neutral(中性)、sad(悲伤)、happy(高兴)、angry(生气)、fear(恐惧)、news(新闻)、story(故事)、radio(广播)、poetry(诗歌)、call(客服)、sajiao(撒娇)、disgusted(厌恶)、amaze(震惊)、peaceful(平静)、exciting(兴奋)、aojiao(傲娇)、jieshuo(解说) 示例值:neutral
EmotionIntensity	否	Integer	控制合成音频情感程度，取值范围为 [50,200]，默认为 100；只有 EmotionCategory 不为空时生效。
SegmentRate	否	Integer	断句敏感阈值，取值范围：[0,1,2]，默认值：0 该值越大越不容易断句，模型会更倾向于仅按照标点符号断句。此参数建议不要随意调整，可能会影响合成效果
Signature	是	String	接口签名参数
FastVoiceType	否	String	一句话版声音复刻音色ID，使用一句话版声音复刻音色时需填写。

Signature 签名生成

1. 对除 Signature 之外的所有参数按字典序进行排序，拼接后得到请求参数为
   

   Action=TextToStreamAudioWS&AppId=130046****&Codec=pcm&EnableSubtitle=True&Expired=1688697305&SampleRate=16000&SecretId=*****XcaKs2w4vZw5zTCrHRM7dOwre9*****&SessionId=b78ae3ba-1ba5-11ee-a106-768645a5c72a&Speed=0&Text=欢迎使用腾讯云实时语音合成&Timestamp=1688610905&VoiceType=101001&Volume=0

   再拼接请求方法、域名地址，得到签名原文。签名原文格式为
   

   请求方法（GET） + 域名地址（tts.cloud.tencent.com/stream_ws） + 请求参数（?Action=TextToStreamAudioWS&其他参数...）

   最终，得到的签名原文为：
   

   GETtts.cloud.tencent.com/stream_ws?Action=TextToStreamAudioWS&AppId=130046****&Codec=pcm&EnableSubtitle=True&Expired=1688697305&SampleRate=16000&SecretId=*****XcaKs2w4vZw5zTCrHRM7dOwre9*****&SessionId=b78ae3ba-1ba5-11ee-a106-768645a5c72a&Speed=0&Text=欢迎使用腾讯云实时语音合成&Timestamp=1688610905&VoiceType=101001&Volume=0

2. 对签名原文使用 SecretKey 进行 HmacSha1 加密，之后再进行 base64 编码。例如对上一步的签名原文， SecretKey=*****SkqpeHgqmSz*****，使用 HmacSha1 算法进行加密并做 base64 编码处理：
   

   Base64Encode(HmacSha1("GETtts.cloud.tencent.com/stream_ws?Action=TextToStreamAudioWS&AppId=130046****&Codec=pcm&EnableSubtitle=True&Expired=1688697305&SampleRate=16000&SecretId=*****XcaKs2w4vZw5zTCrHRM7dOwre9*****&SessionId=b78ae3ba-1ba5-11ee-a106-768645a5c72a&Speed=0&Text=欢迎使用腾讯云实时语音合成&Timestamp=1688610905&VoiceType=101001&Volume=0", "*****SkqpeHgqmSz*****"))

   得到 Signature 签名值为：
   

   4Lv+k6y6v5VRT/iBFPU+Gyfeiy0=

3. 将 Signature 值进行 urlencode（必须进行 URL 编码，否则将导致鉴权失败偶现 ）后拼接得到 URL 为：
   

   wss://tts.cloud.tencent.com/stream_ws?Action=TextToStreamAudioWS&AppId=130046****&Codec=pcm&EnableSubtitle=True&Expired=1688697305&SampleRate=16000&SecretId=*****XcaKs2w4vZw5zTCrHRM7dOwre9*****&SessionId=b78ae3ba-1ba5-11ee-a106-768645a5c72a&Speed=0&Text=欢迎使用腾讯云实时语音合成&Timestamp=1688610905&VoiceType=101001&Volume=0&Signature=4Lv%2Bk6y6v5VRT/iBFPU%2BGyfeiy0%3D

4. 将 Text 值进行 urlencode编码，替换原始文本值
   

   Text=欢迎使用腾讯云实时语音合成
   替换为
   Text=%E6%AC%A2%E8%BF%8E%E4%BD%BF%E7%94%A8%E8%85%BE%E8%AE%AF%E4%BA%91%E5%AE%9E%E6%97%B6%E8%AF%AD%E9%9F%B3%E5%90%88%E6%88%90

   得到最终的请求 URL 为：
   

   wss://tts.cloud.tencent.com/stream_ws?Action=TextToStreamAudioWS&AppId=130046****&Codec=pcm&EnableSubtitle=True&Expired=1688697305&SampleRate=16000&SecretId=*****XcaKs2w4vZw5zTCrHRM7dOwre9*****&SessionId=b78ae3ba-1ba5-11ee-a106-768645a5c72a&Speed=0&Text=%E6%AC%A2%E8%BF%8E%E4%BD%BF%E7%94%A8%E8%85%BE%E8%AE%AF%E4%BA%91%E5%AE%9E%E6%97%B6%E8%AF%AD%E9%9F%B3%E5%90%88%E6%88%90&Timestamp=1688610905&VoiceType=101001&Volume=0&Signature=4Lv%2Bk6y6v5VRT/iBFPU%2BGyfeiy0%3D

请求响应

客户端发起连接请求后，后台建立连接并进行签名校验，校验成功则返回 code 值为 0 的确认消息表示握手成功；如果校验失败，后台返回 code 为非 0 值的消息并断开连接。

{"code":0,"message":"success","session_id":"e042008c-1019-11ee-8b49-6c92bf65e6fe","request_id":"b028dfe6-d7af-4d25-b61d-dcae685aa81f","message_id":"f81c0771-5606-478e-9560-555a5717ea25","final":0,"result":{"subtitles":null}}

合成阶段

握手成功之后，进入合成阶段，客户端接收合成的音频二进制数据、文本数据（如时间戳）。

接收消息

客户端需要同步接收后台返回的二进制音频数据与文本数据。文本数据示例如下：

 {"code":0,"message":"success","session_id":"659f1260-101a-11ee-959d-6c92bf65e6fe","request_id":"20ebf801-53ee-4a58-96ab-c63e0f16044a","message_id":"8d4a2f2b-3b15-445c-933b-74b6b44cd882","final":0,"result":{"subtitles":[{"Text":"欢","BeginTime":250,"EndTime":570,"BeginIndex":0,"EndIndex":1,"Phoneme":"huan1"},{"Text":"迎","BeginTime":570,"EndTime":770,"BeginIndex":1,"EndIndex":2,"Phoneme":"ying2"},{"Text":"使","BeginTime":770,"EndTime":1020,"BeginIndex":2,"EndIndex":3,"Phoneme":"shi3"},{"Text":"用","BeginTime":1020,"EndTime":1270,"BeginIndex":3,"EndIndex":4,"Phoneme":"yong4"}]}}

后台合成完所有音频数据之后，最终返回 final 值为1的消息，客户端收到后，需主动断开 websocket 连接。

{"code":0,"message":"success","session_id":"dbb8417e-101a-11ee-840e-6c92bf65e6fe","request_id":"99207183-3bda-42de-a1f4-6d8838122ad3","message_id":"d56a3fed-0dd6-4dc6-b434-416ae1b69f0f","final":1,"result":{"subtitles":null}}

合成过程中如果出现错误，后台返回 code 为非 0 值的消息并断开连接。

{"code":10001,"message":"参数不合法(Please check your parameter VoiceType)","session_id":"b6b10dc0-101a-11ee-9e72-6c92bf65e6fe","request_id":"a2edbe4f-c12f-48e6-8810-fda7a0992f79","message_id":"da63be2f-d44e-4f3b-a2d7-0b19a3748d23","final":0,"result":{"subtitles":null}}

调用流程示意图

开发者资源

SDK

• Tencent Cloud Speech SDK for Java
• Tencent Cloud Speech SDK for Python
• Tencent Cloud Speech SDK for C++
• Tencent Cloud Speech SDK for Go

SDK 调用示例

• Java 示例
• Python 示例
• C++ 示例
• Go 示例

错误码

数值	说明
10001	参数不合法，具体详情参考 message 字段
10002	账号当前调用并发超限败
10003	鉴权失败
10004	客户端数据上传超时
10005	客户端连接断开
20000	后台错误
20001	后台服务器合成失败
20002	后台引擎合成失败
20003	后台引擎合成超时