文字转语音

/

POST /v1/audio/speech 直接返回音频本身，而不是 JSON：响应体就是编码后的文件，Content-Type 随 response_format 而定，因此 mp3 返回的是 audio/mpeg。关键字段是 model、input 和 voice；speed 和 instructions 为可选，各模型会公布各自的音色名称。请把响应直接写入文件——按文本解码会损坏文件。

POST /v1/audio/speech 
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
声音克隆

step-tts-2

同类还有 stepaudio-2.5-tts。两者都能用约 10 秒的参考音频克隆声音，情感和语气可以用自然语言来指定。

高清

speech-2.8-hd

同类还有 speech-2.8-turbo。hd 版本是本端点上保真度最高的选项，价格也相应较高；turbo 以部分保真度换取更低的延迟，价格约为一半。

多语言

qwen3-tts-flash

同类还有 glm-tts。两者都支持多语言，价格低于克隆类模型，因此在不需要特定克隆音色时，它们是合理的默认选择。

默认音色 可以不传 voice：每个模型都有默认音色，由我们代为发送——qwen3-tts-flash 为 Cherry，glm-tts 为 tongtong，step-tts-2 和 stepaudio-2.5-tts 为 cixingnansheng，mimo-v2.5-tts 和两个 speech-2.8 模型为 alloy。OpenAI 自家的音色名称在所有模型上都能使用；在中国模型上，它们不会被拒绝，而是回落为该模型的默认音色，因此现有的 OpenAI 客户端无需改动，直接指向这个端点即可工作。以上只是默认值，并非完整列表——各厂商公布的音色还有更多。有两个变体完全不接受音色名称：mimo-v2.5-tts-voiceclone 从 voice 中读取 data URL 形式的参考音频片段，mimo-v2.5-tts-voicedesign 则改为从 instructions 中读取音色描述。
提示 计费依据是 input 的字符数，1 个字符计为 1 个 token，因此发送请求之前就能知道费用。生成的音频同样会被计量，并按每分钟 1000 个 token 记为补全 token，但其计费费率为零——一个 59 个字符的请求生成了约 5 秒语音，日志记录为 59 个提示 token、83 个补全 token，最终按 59 个 token 计费。标点和空格也计入字符数。