Fish Audio流式语音合成API-带时间戳TTS-AutoRouter

流式合成语音并返回字词级时间戳对齐快照，适用于字幕、卡拉 OK 与时间轴编辑。

流式将文本合成为语音，并附带字词/短语级时间戳对齐，适用于卡拉 OK 高亮、同步字幕与时间轴编辑。

响应为 text/event-stream。每个 SSE message 包含一段 Base64 音频块，以及（在可用时）该 chunk_seq 的最新累计对齐快照。请按到达顺序拼接 audio_base64；同一 chunk_seq 的新快照应覆盖旧快照，不要追加分段。

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/stream/with-timestamp`

创建带时间戳的流式语音合成

请求头可设置 model：s1、s2-pro、s2.1-pro（默认）、s2.1-pro-free、drama-3-preview。多说话人对话仅 S2 系列与 drama-3-preview 支持，不支持 s1。

Request Body

Content-Type: application/json

Example:

{
  "text": "Hello! Welcome to Fish Audio.",
  "reference_id": "model-id",
  "format": "opus",
  "latency": "balanced"
}

Properties:

Name	Type	Required	Description
`text`	string	Yes	待合成文本。多说话人可用 `<\|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[]	No	内联参考音频，用于零样本克隆。需 MessagePack，JSON 无法携带二进制
`format`	string	No	输出格式：`wav`、`pcm`、`mp3`（默认）、`opus`。推荐 `opus` @ 48 kHz
`latency`	string	No	延迟与质量权衡：`normal`（默认，最佳质量）、`balanced`、`low`。`balanced` 下长文本可能拆成多个文本块
`prosody`	object	No	语速与音量
`chunk_length`	integer	No	文本分段长度，`[100, 300]`，默认 `300`
`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`
`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`
`opus_bitrate`	integer	No	Opus 码率（bps）。`-1000`（默认，自动）、`24000`、`32000`、`48000`、`64000`
`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`
`min_chunk_length`	integer	No	拆分新块前的最少字符数，`[0, 100]`，默认 `50`
`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`
`pronunciation_dictionary`	object[]	No	最多 3 个发音词典（平台引用或内联，二者互斥）

prosodyobject（可选）

语速与音量调整。

speednumber（可选）

语速倍率，[0.5, 2.0]。1.0 为正常语速。

volumenumber（可选）

音量调整（dB）。0 不变，正值更响，负值更轻。

normalize_loudnessboolean（可选）

是否归一化响度。仅 s2-pro 与 S2.1-Pro 系列支持。

Responses

200: SSE 流

Content-Type: text/event-stream

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 --no-buffer -X POST "https://api.autorouter.top/fishaudio/v1/tts/stream/with-timestamp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxx" \
  -H "model: s2-pro" \
  -d '{
  "text": "Hello! Welcome to Fish Audio.",
  "reference_id": "model-id",
  "format": "opus",
  "latency": "balanced"
}'

响应示例

{
  "audio_base64": "SUQzBAAAAAAA...",
  "content": "Hello world",
  "chunk_seq": 0,
  "chunk_audio_offset_sec": 0.0,
  "alignment": {
    "audio_duration": 0.86,
    "segments": [
      {
        "text": "Hello",
        "start": 0,
        "end": 0.42
      },
      {
        "text": "world",
        "start": 0.42,
        "end": 0.86
      }
    ]
  }
}

响应字段说明：

Name	Type	Description
`audio_base64`	string	一段 Base64 音频块。按到达顺序拼接即可还原完整音频。这是传输块，不是句/词边界
`content`	string	本事件最新对齐快照所描述的文本。长输入可拆成多个 content 块
`alignment`	object \| null	该 `chunk_seq` 的最新累计时间戳快照。有值时覆盖旧快照，不要追加。首个快照前或不可用时为 `null`
`alignment.audio_duration`	number	该文本块生成音频的时长（秒）
`alignment.segments`	object[]	有序文本时间段
`alignment.segments[].text`	string	片段文本
`alignment.segments[].start`	number	相对该文本块音频起点的开始时间（秒）
`alignment.segments[].end`	number	相对该文本块音频起点的结束时间（秒）
`chunk_seq`	integer	对齐所属文本块序号。按此值分桶保存快照
`chunk_audio_offset_sec`	number	该文本块在完整音频中的绝对起点（秒）。加上 segment 的 `start`/`end` 得到全局时间轴

处理建议：

即使 alignment 为 null，也要按顺序拼接每个 audio_base64。
用 map 以 chunk_seq 为键保存对齐；每次非空 alignment 覆盖该键。
将 segment 本地时间加上 chunk_audio_offset_sec 得到全局时间。

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。

流式语音合成

prosodyobject（可选）

属性

目录