Fish Audio语音合成API-文生语音TTS-AutoRouter

将文本合成为语音。同步接口，提交后直接返回二进制音频流。

将文本合成为语音。支持音色模型 ID、零样本克隆、多说话人对话，以及语速、音量与输出格式控制。

同步接口：提交后直接返回音频二进制流，无需轮询任务。仅接受 application/json 与 application/msgpack。建议先上传参考音色再调用本接口，可提升音质并降低延迟。内联参考音频（references）必须使用 MessagePack，JSON 无法携带二进制。

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 `/fishaudio/v1/tts`

创建语音合成请求

传入文本与音色，响应返回音频流。多说话人对话仅 S2 系列（s2-pro、s2.1-pro、s2.1-pro-free）与 drama-3-preview 支持，不支持 s1。

Headers

Name	Type	Required	Description
`Authorization`	string	Yes	请求身份认证。格式：`Bearer sk-xxxxxx`
`Content-Type`	string	Yes	`application/json` 或 `application/msgpack`。内联 `references` 必须使用 MessagePack
`model`	string	No	TTS 模型。可选值：`s1`、`s2-pro`、`s2.1-pro`（默认）、`s2.1-pro-free`、`drama-3-preview`。`drama-3-preview` 为预览模型，行为与可用性可能变化。省略或无法识别时回退到 `s2.1-pro`

Request Body

Content-Type: application/json

Example（单说话人）：

{
  "text": "Hello! Welcome to Fish Audio.",
  "reference_id": "model-id",
  "temperature": 0.7,
  "top_p": 0.7,
  "prosody": {
    "speed": 1,
    "volume": 0,
    "normalize_loudness": true
  },
  "chunk_length": 300,
  "normalize": true,
  "format": "mp3",
  "sample_rate": 44100,
  "mp3_bitrate": 128,
  "latency": "normal",
  "max_new_tokens": 1024,
  "repetition_penalty": 1.2,
  "min_chunk_length": 50,
  "condition_on_previous_chunks": true,
  "early_stop_threshold": 1
}

Example（多说话人，仅 S2 系列）：

{
  "text": "<|speaker:0|>Hello!<|speaker:1|>Hi there!",
  "reference_id": ["speaker-a-id", "speaker-b-id"]
}

Properties:

Name	Type	Required	Description
`text`	string	Yes	待合成文本。多说话人用 `<\|speaker:0\|>`、`<\|speaker:1\|>` 标记切换
`reference_id`	string \| string[] \| null	No	音色 ID。单说话人为字符串；多说话人为 ID 数组
`references`	object[] \| object[][] \| null	No	内联参考音频，用于零样本克隆。需 MessagePack，JSON 无法携带二进制
`prosody`	object \| null	No	语速、音量与响度归一化
`format`	string	No	输出格式：`wav`、`pcm`、`mp3`（默认）、`opus`
`sample_rate`	integer \| null	No	采样率（Hz）。`null` 时按格式默认：多数 44100，opus 48000
`mp3_bitrate`	integer	No	MP3 码率（kbps）：`64`、`128`（默认）、`192`。仅 `format=mp3` 生效
`opus_bitrate`	integer	No	Opus 码率（bps）：`-1000`（默认，自动）、`24000`、`32000`、`48000`、`64000`。仅 `format=opus` 生效
`latency`	string	No	延迟与质量权衡：`normal`（默认，最佳质量）、`balanced`、`low`
`normalize`	boolean	No	是否规范化中英文文本（提升数字朗读稳定性）。默认 `true`
`chunk_length`	integer	No	文本分段长度，`[100, 300]`，默认 `300`
`min_chunk_length`	integer	No	拆分新块前的最少字符数，`[0, 100]`，默认 `50`
`temperature`	number	No	表现力，`[0, 1]`，默认 `0.7`。越高越多样
`top_p`	number	No	nucleus sampling，`[0, 1]`，默认 `0.7`
`max_new_tokens`	integer	No	每个文本块最多生成的音频 token。默认 `1024`
`repetition_penalty`	number	No	重复惩罚。大于 `1.0` 减少重复。默认 `1.2`
`condition_on_previous_chunks`	boolean	No	是否用前一段音频作为上下文以保持音色一致。默认 `true`
`early_stop_threshold`	number	No	批处理提前停止阈值，`[0, 1]`，默认 `1`
`features`	string[]	No	请求级功能开关，原样转发给推理后端。如 `["quality-guard"]` 开启质量守卫
`pronunciation_dictionary`	object[] \| null	No	最多 3 个发音词典（平台引用或内联，二者互斥）

reference_idstring | string[] | null（可选）

音色模型 ID，来自 Fish Audio 音色库或你的自定义模型。

单说话人： 传入字符串，例如 "model-id"。也可不传，改用 references 做零样本克隆。
多说话人（对话）： 传入 ID 数组，例如 ["speaker-a-id", "speaker-b-id"]。文本中用 <|speaker:0|>、<|speaker:1|> 标记说话人切换。说话人下标与数组下标对应。

多说话人仅 S2 系列与 drama-3-preview 支持，不支持 s1。

referencesobject[] | object[][] | null（可选）

内联参考音频，用于零样本克隆。必须使用 MessagePack，不能用 JSON。

单说话人： ReferenceAudio 对象数组。
多说话人： 二维数组，每个内层数组对应一位说话人的参考样本。说话人下标与 reference_id 数组下标对应。

audiostring (binary)（必选）

参考音频的原始字节。支持 WAV、MP3、FLAC。建议使用 10～30 秒清晰、背景噪音少的语音。

textstring（必选）

参考音频中的精确转写文本。准确度会直接影响克隆质量。

prosodyobject（可选）

语速、音量与响度调整。

speednumber（可选）

语速倍率，[0.5, 2.0]。1.0（默认）为正常语速，0.5 为半速，2.0 为倍速。

volumenumber（可选）

音量调整（dB）。0（默认）不变，正值更响，负值更轻。

normalize_loudnessboolean（可选）

是否归一化响度，使感知音量更一致。默认 true。仅 S2 系列（s2-pro、s2.1-pro、s2.1-pro-free）生效；s1 接受该字段但无效果。

formatstring（可选）

输出音频格式，默认 mp3。各格式限制如下：

格式	采样率	默认采样率	其他
WAV / PCM	8 kHz、16 kHz、24 kHz、32 kHz、44.1 kHz	44.1 kHz	16-bit、单声道
MP3	32 kHz、44.1 kHz	44.1 kHz	单声道；码率 64 / 128（默认）/ 192 kbps
Opus	48 kHz	48 kHz	单声道；码率 `-1000`（自动）、24 / 32（默认）/ 48 / 64 kbps

pronunciation_dictionaryobject[] | null（可选）

合成时应用的发音词典，最多 3 个。平台引用与内联字面量两种形式互斥，同一请求只能选一种。服务端解析并合并后转发给推理引擎做替换。

匹配规则为纯子串、最左最长；默认不区分大小写，条目可设置 case_sensitive。无法解析的引用会被静默丢弃，请求仍会成功。

idstring（引用必选）

平台已注册的词典 ID。与 version 成对使用。模式：^[A-Za-z0-9_-]{1,128}$。

versionstring（引用必选）

词典的不可变版本号。必须显式指定，没有隐式 latest。模式：^[A-Za-z0-9_-]{1,128}$。

itemsobject[]（内联必选）

内联词典的替换条目，最多 5000 条。每条包含：

key（string，必选）：要匹配的源字符串，纯子串匹配，无分词、无正则。长度 [1, 256]。
value（string，必选）：替换用的音素形式。不要自行包含 <|phoneme_start|> / <|phoneme_end|>，引擎会内部包裹。长度 [1, 1024]。key 或 value 含上述标记的请求会被拒绝。
case_sensitive（boolean，可选）：是否区分大小写。默认 false。

Responses

200: 合成成功，返回音频流

Content-Type: 随 format 变化的音频类型（如 audio/mpeg）

401: 无权限

Content-Type: application/json

402: 余额不足

Content-Type: application/json

503: 服务过载

Content-Type: application/json

请求示例

curl -X POST "https://api.autorouter.top/fishaudio/v1/tts" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxx" \
  -H "model: s2.1-pro" \
  --output speech.mp3 \
  -d '{
  "text": "Hello! Welcome to Fish Audio.",
  "reference_id": "model-id",
  "format": "mp3",
  "sample_rate": 44100,
  "mp3_bitrate": 128,
  "latency": "normal"
}'

响应示例

<binary audio stream>

响应字段说明：

Name	Type	Description
（body）	binary	成功时为音频二进制流，编码与请求的 `format` 一致。响应使用 `Transfer-Encoding: chunked`
`status`	integer	错误状态码（失败时）
`message`	string	错误说明（失败时）
`reason`	string \| null	补充原因，可为 `null`

错误处理

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。

HTTP 503 服务过载

服务端负载过高，无法处理请求。请稍后重试。

语音合成

reference_idstring | string[] | null（可选）

referencesobject[] | object[][] | null（可选）

属性

prosodyobject（可选）

属性

formatstring（可选）

pronunciation_dictionaryobject[] | null（可选）

属性

目录