内容产品接入中文TTS轻量方案：音色流式生成与字幕时间轴

从事内容产品的开发者经常遇到这样一个典型需求：需要将文字转换为自然流畅的语音，同时保留可复用的音色，试听延迟不能过高，并且最终能够获得带时间轴的字幕以便后期剪辑。

近期，我们在声声工坊中梳理了一条完整的声音生产链路，其中包含几个关键的接口设计要点，可作为中文TTS功能接入的参考：

• 上传或录制5-15秒的参考音频接口
• 基于参考音频生成全新语音
• 通过文本提示（Prompt）创建自定义音色
• 使用简短提示控制方言或风格，例如粤语、四川话、轻快语速等
• 生成后进行语音识别，输出文本、SRT、VTT字幕以及时间轴
• 通过兼容OpenAI风格的API接入流式或非流式TTS

API 调用方式解析

直接看一个调用示例：

curl -X POST "https://api.sssay.com/v1/audio/speech" \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  --output output.mp3 \
  -d '{
    "model": "voice-clone-tts",
    "voice": "vcv_your_api_voice_id",
    "input": "欢迎使用声声工坊生成语音。",
    "format": "mp3"
  }'

如果业务场景更注重试听反馈效果，可以启用流式模式：

{
  "model": "voice-clone-tts",
  "voice": "vcv_your_api_voice_id",
  "input": "这是一段流式返回的语音。",
  "format": "mp3",
  "stream": true
}

如果需要加入方言或特定风格，可以通过短提示字段实现。建议该字段保持简洁，避免将复杂文案与风格控制混淆：

{
  "model": "voice-clone-tts",
  "voice": "vcv_your_api_voice_id",
  "input": "这段内容更适合轻快一点的表达。",
  "format": "mp3",
  "instruction": "语速轻快"
}

生产环境接入建议关注点

• 音色ID不应暴露内部provider记录，声声工坊采用 vcv_ 前缀作为外部API音色标识。
• 将生成额度与音色保存额度分开管理，便于产品侧向用户解释成本结构。
• 网页端与API使用同一套字数额度，确保用户在不同入口看到一致的余额。
• 语音识别与生成历史仅保留近期记录，长期资产只保存用户主动存储的音色。
• 实时试听场景推荐使用流式输出，后台批量任务则使用非流式方式。

典型应用场景

• 短视频工具：自动生成旁白、改稿补录、导出带时间轴的字幕
• 在线教育：课程章节配音、局部内容修改、课件语音合成
• 内容平台：多音色朗读功能、小说或播客片段制作
• 企业产品：语音导览、自动播报、客服提示音

如需获取更详细的接口文档，可直接查阅声声工坊的官方文档说明。