Bilibili IndexTTS参考音频语音合成API-零样本克隆-AutoRouter

通过说话人参考音频与可选情绪控制，零样本合成为 WAV 音频。

提交参考音频与文本，提取说话人音色后合成 WAV。可选通过情绪参考音频、8 维情绪向量或情绪文本控制情感。

请求为 multipart/form-data：文件字段携带参考音频，payload 为 JSON 字符串。成功时返回二进制 WAV，而不是 JSON URL。

Base URL

https://api.autorouter.top — Production

Authentication

BearerAuth: http (bearer) 使用 Bearer Token 认证。格式: Authorization: Bearer sk-xxxxxx

Endpoints

POST `/v1/audio/infer`

创建参考音频语音合成请求

传入说话人参考音频与合成参数，返回 WAV 音频。

Request Body

Content-Type: multipart/form-data

Example:

{
  "model": "IndexTeam/IndexTTS-2",
  "spk_audio_file": "audio/klee.wav",
  "emo_audio_file": "audio/emo_sad.wav",
  "payload": "{\"input\":\"酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。\",\"emo_alpha\":0.8,\"emo_control_method\":1}"
}

Properties:

Name	Type	Required	Description
`model`	string	Yes	模型名称。固定为 `IndexTeam/IndexTTS-2`
`spk_audio_file`	file	Yes	说话人参考音频，用于提取音色。MP3 / WAV，小于 20MB
`emo_audio_file`	file	No	情绪参考音频。MP3 / WAV，小于 20MB。`emo_control_method=1` 时使用
`payload`	string	Yes	JSON 字符串，包含合成参数

payloadstring（必选）

JSON 字符串，Content-Type 为 application/json。解析后的字段如下。

inputstring（必选）

待合成文本，长度不超过 600 个字符。

sample_rateinteger（可选）

输出采样率（Hz）。常用值：22050（默认）、44100、48000。

speednumber（可选）

语速系数，取值 [0.25, 4]，默认 1。

gainnumber（可选）

增益系数。1（默认）保持原音量。

emo_control_methodinteger（可选）

情绪控制方式。默认 0。

0：不使用情绪参考
1：使用 emo_audio_file
2：使用 emo_vec
3：使用 emo_text

emo_alphanumber（可选）

情绪融合权重，默认 1。

emo_vecnumber[]（可选）

8 维情绪向量，仅当 emo_control_method=2 时使用。各元素之和不得超过 1.5。默认全 0。

emo_textstring（可选）

情绪文本描述，仅当 emo_control_method=3 时使用。示例：今天股票涨停了，好激动。

use_randomboolean（可选）

是否引入随机情绪变化。默认 false。

interval_silenceinteger（可选）

合成文本块之间的静音间隔（毫秒），默认 200。

Responses

200: 合成成功，返回 WAV 音频流

Content-Type: audio/wav

400: 请求参数错误

Content-Type: application/json

请求示例

curl -X POST "https://api.autorouter.top/v1/audio/infer" \
  -H "Authorization: Bearer sk-xxxxxx" \
  --output speech.wav \
  -F "model=IndexTeam/IndexTTS-2" \
  -F "spk_audio_file=@audio/klee.wav" \
  -F "emo_audio_file=@audio/emo_sad.wav" \
  -F 'payload={"input":"酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。","emo_alpha":0.8,"emo_control_method":1}'

响应示例

<binary WAV audio stream>

响应字段说明：

Name	Type	Description
（body）	binary	成功时为 WAV 音频流，`Content-Type: audio/wav`
`error.message`	string	错误说明（失败时）
`error.type`	string	错误类型
`error.code`	string	机器可读错误码
`error.param`	string	请求 ID 或出错参数名

错误处理

HTTP 400 参数错误

场景	处理建议
未传 `spk_audio_file` 或 `payload`	补齐必填字段
`payload.input` 超过 600 字符	缩短文本
`emo_vec` 元素之和超过 1.5	缩小向量各维
参考音频超过 20MB 或格式非 MP3/WAV	压缩或转换格式

HTTP 401 / 403 鉴权错误

401 Unauthorized：API Key 无效或已过期
403 Forbidden：API Key 无权访问此模型（检查 token 的模型白名单）

HTTP 402 余额不足

返回 insufficient user quota。请前往 AutoRouter 控制台充值。

参考音频语音合成

payloadstring（必选）

属性

目录