Текст в речь

POST /v1/audio/speech возвращает само аудио, а не JSON: телом ответа является закодированный файл, а Content-Type следует за response_format, поэтому mp3 возвращается как audio/mpeg. Значимые поля — model, input и voice; speed и instructions необязательны, а имена голосов каждая модель публикует свои. Записывайте ответ сразу в файл — попытка декодировать его как текст его испортит.

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/mpeg