跳到内容

TTS-Index ​

更新时间

本文整理 MPS 上调用 IndexTTS 语音合成的接口用法。IndexTTS 在 MPS 里以引擎代号 index-tts 接入:接口、鉴权、计费、任务查询、存储全部沿用 MPS 既有的语音合成接口,只在扩展参数 ExtParam 里写 "engine": "index-tts" 切到 IndexTTS,再按需带上模型、情感等参数。

index-tts 有三件事跟 MPS 上的其它 TTS 引擎都不一样,也是选它的主要理由:

  1. VoiceId 直接填参考音频 URL —— 不是音色名、也不是克隆后的 ID。换句话说,零样本克隆就是它的默认工作方式,没有「先建音色」这一步,也不需要额外参数开启。
  2. 音色与情感可以来自两段不同的音频 —— VoiceId 决定"谁在说",engineCustom.emo_audio_url 决定"用什么情绪说",两者独立。这是七个引擎里唯一支持「A 的声音 + B 的情绪」的。
  3. 情感有 5 条控制路径 —— 参考音频、权重、8 维向量、随机采样、文本描述,可以按精度需求挑一条,是七个引擎里情感控制最细的。

建议走异步接口

《IndexTTS 引擎接入指引》明确提示:IndexTTS 引擎耗时较久,建议使用异步接口。七个引擎里只有它和 tts-sa 的接入指引写了这句 —— 同步 TextToSpeech 虽然可用,但长文本容易触发超时,生产链路优先用 TextToSpeechAsync + 轮询。

和另外五个引擎怎么选

七个引擎的完整横向对比(接口覆盖、情绪机制、音频参数、克隆能力)见 Blog 里的 MPS 七大 TTS 引擎横向对比。 一句话版本:要免建音色、直接拿一段音频就克隆,或要音色与情感分别取样 → 本文。

接口与官网文档 ​

以下接口均属于 MPS「Media AI – Dubbing APIs」,官网接口地址统一在腾讯云国际站 Media AI – Dubbing APIs 目录下。

支持 index-tts 的接口 ​

《IndexTTS 引擎接入指引》列出以下 3 个接口可通过 ExtParam.engine 切到 IndexTTS:

接口作用调用方式官网接口地址
TextToSpeech短文本转语音,直接返回音频同步1041/82311
TextToSpeechAsync长文本转语音,返回 TaskId(推荐)异步1041/79693
DescribeTextToSpeechAsyncTask查询异步合成结果(Status / AudioUrl)同步1041/79696

同目录的其它接口 ​

接口作用走 index-tts官网接口地址
DescribeVoices查询可用音色⏳ 接入指引未列出1041/79695
CloneVoice用参考音频克隆音色,得到可复用的 VoiceId⏳ 接入指引未列出1041/82312
DesignVoiceAsync / DescribeDesignTask用文字描述设计新音色 / 查询结果⏳ 接入指引未列出1041/79694 / 1041/79598
UpdateVoice / DeleteVoice修改 / 删除克隆或设计的音色⏳ 接入指引未列出1041/81214 / 1041/81215
ChangeVoice音色转换⏳ 接入指引未列出1041/83750
SyncDubbing早期合一接口(克隆或合成)⏳ 接入指引未列出1041/77775

⏳ = 接入指引未提及,是否可切到 IndexTTS 以实际调用为准。

没列 DescribeVoices 与 CloneVoice,但这是自洽的

index-tts 的接入指引是六篇里最短的,只列了 3 个接口 —— 比 tts-f 还少了 CloneVoice。 不过这两个缺口对它影响很小:VoiceId 填的就是参考音频 URL,既不需要先用 DescribeVoices 枚举系统音色,也不需要先用 CloneVoice 换一个 ID。要复用音色,把那条音频 URL 存在自己业务侧即可。

公共约定:

  • 版本号 2019-06-12;接入域名国际站 mps.intl.tencentcloudapi.com(中国站 mps.tencentcloudapi.com)。
  • 鉴权统一 TC3-HMAC-SHA256(SecretId / SecretKey),签名方法见 Quick Start。
  • 每个接口频率上限 20 次/秒。

与其它引擎的能力对比 ​

MPS 上目前有七个外部 TTS 引擎。完整的横向对比(接口覆盖、情绪机制、音频参数、克隆能力、选型建议)见 Blog 里的 MPS 七大 TTS 引擎横向对比 —— 对比表只在那一篇维护,避免各篇口径不一致。

index-tts 在其中的位置:唯一把参考音频直接写进 VoiceId 的引擎,也是唯一能把音色与情感分别取样的;代价是接入指引未列出任何归一化音频参数(格式、采样率、语速、音量都没提)。

引擎切换:ExtParam.engine ​

MPS 的语音合成接口本身不分引擎,靠 ExtParam 这个 JSON 字符串字段决定由哪个引擎执行。index-tts 用到三层:

层级作用说明
engine选引擎本文固定填 index-tts
synExt.*MPS 归一化后的合成参数接入指引只列出了 model
synExt.engineCustom.*透传给 IndexTTS 原厂的参数情感音频、情感向量、情感文本(仅 2.0+ 模型)

ExtParam 在请求里是字符串,不是对象 —— JSON 需要转义后作为字符串传入(见调用示例)。

接入指引没列 format / sampleRate / speed / vol / duration

另外五个引擎的接入指引都给了一组 synExt 归一化音频参数,index-tts 的只给了 model。也就是说音频格式、采样率、语速、音量、指定时长这几项是否生效无从查证,要用先实测。 别照着 tts-f 或 tts-s 的参数表直接套 —— 那是另一个引擎的声明范围,不构成本引擎的依据。

index-tts 主要参数 ​

参数类型必填描述
engineString是填 index-tts
synExtObject否语音合成扩展参数
synExt.modelString否指定模型,支持 index-tts-2(默认)、index-tts-1.5
synExt.engineCustomObject否引擎客制化参数,透传 IndexTTS 原厂请求参数。仅 2.0+ 模型支持

模型参数名以实际调用为准

接入指引的参数表把"指定模型"那一行的参数名也写作 synExt(与上一行的对象本身同名,类型却是 String)。同一个字段不可能既是 Object 又是 String,按上下文与其它五个引擎的命名惯例,本文记为 synExt.model。若调用报参数错误,请按原文写法 synExt 重试。

模型列表 ​

取值说明支持 engineCustom
index-tts-2默认模型,2.0 代际✅
index-tts-1.5上一代模型❌ 低于 2.0

情感能力绑定模型版本

engineCustom 下的全部情感参数仅 2.0+ 模型支持。显式把 model 指定成 index-tts-1.5 的同时又传情感参数,情感那部分不会生效 —— 不指定 model 走默认的 index-tts-2 反而是安全的。

engineCustom 参数 ​

参数类型必填描述
emo_audio_urlString否情感参考音频 URL —— 从这段音频里取"情绪",与 VoiceId 取的"音色"相互独立
emo_alphaFloat否情感参考音频权重
emo_vectorArray of Float否8 维情感向量,顺序为 [高兴, 愤怒, 悲伤, 害怕, 厌恶, 忧郁, 惊讶, 平静],示例 [0, 0, 0.8, 0, 0, 0, 0, 0]
use_randomBool否开启随机情感采样,默认 false
use_emo_textBool否根据文本自动生成情感向量
emo_textString否直接给一段情感描述文本,自动转换为情感向量。注意这不是要合成的正文

emo_alpha 未给取值范围

接入指引只说 emo_alpha 是"情感参考音频权重",没有给取值区间与默认值。按"权重"的常规语义大概是 [0, 1],但这只是推测 —— 要调这个值请先用短文本试几档确认边界,别直接按 1.0 以上的值跑批量。

参数示例 ​

一份完整的 ExtParam 对象(展开后便于阅读,实际传参需转义为字符串):

json
{
  "engine": "index-tts",
  "synExt": {
    "engineCustom": {
      "emo_text": "你吓死我了!你是鬼吗?"
    }
  }
}

这里的 emo_text 是情感描述,不是要合成的文本 —— 要念的内容在请求的 Text 字段里。

接入指引示例里带了 JSON 注释,照抄会解析失败

接入指引的这段示例在 emo_text 后面跟了一个 // 情感描述,非合成文本 的行内注释。标准 JSON 不允许注释,直接复制会被判为参数错误。本文已移除注释,改用正文说明同一件事。

情感控制的五条路径 ​

index-tts 的情感不是一个枚举值,而是五种互为替代的输入方式。按可控性从高到低排:

路径参数精度适合
8 维向量emo_vector最高,逐维连续可调批量生产,需要可复现、可微调
情感参考音频emo_audio_url + emo_alpha高,但取决于样本已有目标情绪的样音,想"照着这个语气念"
情感描述文本emo_text(配 use_emo_text)中,自然语言描述快速试效果,不想调数值
随机采样use_random低,不可复现要多样性(如同一句话生成多个版本)
不传——跟随 VoiceId 参考音频本身的情绪

8 维向量怎么填

八个维度依次是 [高兴, 愤怒, 悲伤, 害怕, 厌恶, 忧郁, 惊讶, 平静]。接入指引的示例 [0, 0, 0.8, 0, 0, 0, 0, 0] 是把第 3 维(悲伤)给到 0.8、其余留 0 —— 即单一情绪定向。 混合情绪理论上可以多维同时给值,但接入指引没有说明是否需要归一化(各维之和是否必须为 1),这属于未声明行为,混合前先实测。

use_emo_text 与 emo_text 的关系未明确

表里 use_emo_text("根据文本自动生成情感向量")与 emo_text("直接提供特定的文本情感描述")是两个独立参数,但接入指引没有说明只传 emo_text 时是否要同时把 use_emo_text 置 true。 参数表的示例只传了 emo_text,本文按此记录;若情感未生效,补一个 "use_emo_text": true 再试。

多条路径同时传会怎样

接入指引没有给情感路径之间的优先级。安全做法是一次只用一条 —— 想要精确可复现就用 emo_vector,想要照着样音就用 emo_audio_url,不要同时传。

音色(VoiceId) ​

这是 index-tts 与其它五个引擎最大的差异:

引擎VoiceId 填什么
index-tts参考音频 URL,例如 https://example.com/narration_voice_zh.wav
tts-s / tts-gg系统音色名(DescribeVoices 查询)
tts-l1 / minimax / tts-f系统音色名,或 CloneVoice 返回的音色 ID

也就是说 index-tts 没有"音色列表"这个概念 —— 每次请求带一段参考音频,当次就按这个音色合成。

这种设计省了什么、代价是什么

省了:音色的创建、存储、生命周期管理全都不需要,DescribeVoices 与 CloneVoice 这两步直接跳过。特别适合 UGC 场景(一人一音色、用完即弃),或音色数量远大于复用次数的批量任务。 代价是:同一个音色要用成千上万次时,每次请求都要让服务端重新拉取并处理这段参考音频 —— 既多一次网络往返,也要保证那个 URL 长期可访问。参考音频托管在自己的 CDN 或 COS 上,别用会过期的临时链接。

参考音频的格式与时长要求未声明

接入指引只说"VoiceId 参数填参考音频 URL",示例是一个 .wav,没有给格式白名单、时长建议或文件大小上限。 tts-f 的接入指引对参考音频给过"10–30 秒清晰人声、尽量减少背景噪音"的建议,可以作为经验值参考,但那是 Fish Audio 的声明、不是 IndexTTS 的,不要当作本引擎的依据。实际要求请以调用结果为准。

输出扩展信息 ExtInfo ​

合成结果的 ExtInfo 是一个 JSON 字符串,解析后目前只有一个字段:

参数类型描述
durationFloat语音时长,单位秒

例如 {"duration":1.00325}。需要按时长对齐字幕或拼接音轨时从这里取。

没有字符级时间戳

index-tts 只给整段时长,不提供逐字 / 逐句的时间戳。要做卡拉 OK 式的逐字对齐,用 TTS-ElevenLabs 的 with_timestamps。

调用示例 ​

语音合成 TextToSpeech ​

json
{
  "Text": "您好",
  "VoiceId": "https://example.cos-internal.ap-nanjing.tencentcos.cn/common/reel/test/narration_voice_zh.wav",
  "ExtParam": "{\"engine\":\"index-tts\"}"
}

VoiceId 填的是参考音频 URL,不是音色名;ExtParam 的值是转义后的 JSON 字符串,不是嵌套对象。

这是最小可用请求

不传 model(走默认 index-tts-2)、不传任何情感参数时,输出就跟随参考音频本身的音色与情绪。先用这个形态验证链路通不通,再逐步加情感参数。

带情感描述文本 ​

json
{
  "Text": "你是什么时候进来的?",
  "VoiceId": "https://example.com/narration_voice_zh.wav",
  "ExtParam": "{\"engine\":\"index-tts\",\"synExt\":{\"engineCustom\":{\"emo_text\":\"你吓死我了!你是鬼吗?\"}}}"
}

注意 Text 与 emo_text 是两段不同的内容:Text 是要念出来的正文,emo_text 只用来推导情绪。

用 8 维向量精确指定情绪 ​

json
{
  "Text": "他再也没有回来。",
  "VoiceId": "https://example.com/narration_voice_zh.wav",
  "ExtParam": "{\"engine\":\"index-tts\",\"synExt\":{\"engineCustom\":{\"emo_vector\":[0,0,0.8,0,0,0,0,0]}}}"
}

第 3 维是"悲伤",给到 0.8,其余留 0。

音色与情感分别取样 ​

json
{
  "Text": "恭喜你,通过了。",
  "VoiceId": "https://example.com/speaker_a.wav",
  "ExtParam": "{\"engine\":\"index-tts\",\"synExt\":{\"engineCustom\":{\"emo_audio_url\":\"https://example.com/happy_sample.wav\",\"emo_alpha\":0.8}}}"
}

音色来自 speaker_a.wav,情绪来自 happy_sample.wav —— 这是 index-tts 独有的组合方式。

异步合成与查询(推荐) ​

长文本用 TextToSpeechAsync 提交,ExtParam 写法与同步接口完全一致,返回 TaskId;再用 DescribeTextToSpeechAsyncTask 轮询 Status,完成后从 AudioUrl 取音频。

由于 IndexTTS 耗时较久,生产链路建议默认走异步,同步接口只用于短文本试调。

限制与注意事项 ​

  • VoiceId 填参考音频 URL,不是音色名 —— 这是与其它五个引擎最大的差异,封装层要专门处理。
  • 参考音频 URL 必须长期可访问:每次请求都会重新拉取,别用会过期的临时签名链接。
  • 建议走异步接口:接入指引明确提示 IndexTTS 耗时较久,长文本用同步接口容易超时。
  • 情感参数仅 2.0+ 模型支持:显式指定 index-tts-1.5 时 engineCustom 下的情感参数不生效。
  • emo_text 不是合成正文:它只用于推导情绪,要念的内容在 Text 里 —— 搞混会把情感描述念出来。
  • ExtParam 是字符串:请求里必须是转义后的 JSON 字符串,直接塞对象会被判为参数错误。
  • 示例里的 JSON 注释要去掉:接入指引原文的示例带 // 注释,标准 JSON 不允许,照抄会解析失败。
  • emo_alpha 没有声明取值范围:接入指引未给区间与默认值,调之前先小范围实测。
  • 未列出 format / sampleRate / speed / vol / duration:接入指引只给了 model 一个归一化参数,其它音频参数是否生效以实际调用为准。
  • 8 维向量的归一化规则未声明:混合多维情绪前先实测,不确定各维之和是否必须为 1。
  • ⏳ 标记的接口以实际调用为准:本文的 ✅ / ⏳ 依据《IndexTTS 引擎接入指引》的列举范围,未列出的接口(含 DescribeVoices、CloneVoice)不代表一定不可用。

相关文档 ​

文档说明
MPS 七大 TTS 引擎横向对比七个外部引擎的能力、参数与选型对比
AI 配音MPS 配音能力总览与内置引擎
TTS-ElevenLabs同一套接口的 ElevenLabs 引擎(tts-l1),支持字符级时间戳
TTS-Gemini同一套接口的 Google Gemini-TTS 引擎(tts-gg),用 prompt 控制风格
TTS-MiniMax同一套接口的 MiniMax 引擎(minimax),支持克隆与音色设计
TTS-Seed同一套接口的 TTS-Seed 引擎(tts-s),24 种情绪枚举
TTS-Fishaudio同一套接口的 Fish Audio 引擎(tts-f),内联情绪标签与零样本克隆
TTS-Seedaudio同一套接口的 Seed Audio 引擎(tts-sa),唯一支持图片参考生成,字级时间戳
Quick Start鉴权与签名方法
Media AI – Dubbing APIs官网接口目录

基于 VitePress 构建 · 部署于腾讯云 EdgeOne Pages