No hay coincidencias. Prueba con un protocolo, una capacidad o una ruta de endpoint.
POST /v1/audio/speech devuelve el audio en sí, no JSON: el cuerpo es el archivo codificado y Content-Type sigue a response_format, así que mp3 vuelve como audio/mpeg. Los campos que importan son model, input y voice; speed e instructions son opcionales, y cada modelo publica sus propios nombres de voz. Escribe la respuesta directamente en un archivo: decodificarla como texto la corromperá.
curl https://api.chinaapi.ai/v1/audio/speech \
-H "Authorization: Bearer $CHINAAPI_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "step-tts-2",
"input": "ChinaAPI text to speech verification.",
"voice": "cixingnansheng",
"response_format": "mp3"
}' \
--output speech.mp3
# HTTP 200, Content-Type: audio/mpegJunto con step-tts-mini y stepaudio-2.5-tts. Los tres clonan una voz a partir de unos diez segundos de audio de referencia y aceptan la emoción y la entonación como indicación en lenguaje natural. step-tts-mini es el de baja latencia y bajo coste.
Junto con speech-2.8-turbo. La variante hd es la de mayor fidelidad del endpoint y cobra en consecuencia; turbo cede parte de eso a cambio de latencia, a alrededor de la mitad de la tarifa.
Junto con glm-tts. Ambos son multilingües y más baratos que los modelos de clonación, lo que los convierte en la opción por defecto razonable cuando no necesitas una voz clonada concreta.
voice no da problemas: cada modelo tiene un valor por defecto que enviamos por ti — Cherry en qwen3-tts-flash, tongtong en glm-tts, cixingnansheng en step-tts-2, step-tts-mini y stepaudio-2.5-tts, y alloy en mimo-v2.5-tts y en los dos modelos speech-2.8. Los nombres de voz de OpenAI se aceptan en todas partes; en los modelos chinos se pliegan al valor por defecto de ese modelo en lugar de rechazarse, así que apuntar un cliente OpenAI existente a este endpoint funciona sin cambios. Son valores por defecto, no el catálogo completo: cada proveedor publica más. Dos variantes no admiten nombre de voz: mimo-v2.5-tts-voiceclone lee un fragmento de referencia desde voice como data URL, y mimo-v2.5-tts-voicedesign recibe la descripción en instructions.
input, un carácter por token, así que el coste se conoce antes de enviar la petición. El audio generado también se mide y aparece como tokens de finalización a razón de mil tokens por minuto, pero se cobra a una tasa de cero: una petición de cincuenta y nueve caracteres que produjo unos cinco segundos de habla registró 59 tokens de prompt, 83 de finalización, y se cobró sobre los 59. La puntuación y los espacios cuentan como caracteres.