配音生成
简介
配音生成把文案变成语音、音效或角色声音。可以直接使用预设音色，也可以上传最多 3 段参考音频，并在文案中用 @音频1、@音频2、@音频3 引用。 audio-generate-0.1 使用最多 1000 字的朗读文本，输出固定为 WAV、44100 Hz；可上传 1 段 10–30 秒参考录音，无需填写参考原文。不支持预设音色、参考链接/图片，以及语速、音调、音量、字幕和水印参数。任务排队逐条生成；结果不明时暂停执行并等待核对。audio-generate-0.1 按生成音频时长结算，不足一秒按一秒计，最终积分向上取整。
统一接口（推荐）
新接入请用 POST /v1/generations + type=audio；下面的 /v1/audio/* 接口继续支持，用于兼容旧调用。
BASH
curl -X POST https://api.anycap.io/v1/generations \ -H "Authorization: Bearer $ANYCAP_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "type": "audio", "model": "<来自 GET /v1/generations/models?type=audio 的模型>", "input": { "prompt": "参考 @音频1 的语气，说：姐妹们，这条裤子真的绝了，垂感特别好。", "reference_audio_file_ids": ["<来自 POST /v1/video-materials?kind=audio 的 id>"] }, "parameters": { "format": "mp3", "sample_rate": 44100, "speech_rate": 15 } }'字段说明
input.prompt
要合成的文案；用
@音频1..@音频3 引用已上传的参考音频。input
参考方式五选一：
speaker、自有 reference_audio_file_ids、reference_audio_urls、reference_image_file_id 或 reference_image_url；互斥，全部不传即纯文本。parameters
输出参数：
format、sample_rate、speech_rate、loudness_rate、pitch_rate、enable_subtitle、watermark。model
来自
GET /v1/generations/models?type=audio。配音任务返回 202 +
job。轮询 GET /v1/generations/{id}：中间状态为 queued、submitting、finalizing，终态为 completed、failed、pending。上游 5xx 与网络中断会自动重试，单次等待更长且次数有上限；重试耗尽仍无法确认时，任务以 failed 结束并释放预留，不进入人工待核对。pending 仅保留给平台侧对账（如结果落库或结算异常）。加 ?result=true 获取新的私有 audio_url；单条链接最长 24 小时，且不会超过文件本身的保留期。配音任务不可取消。任务对象还会回显本次使用的参考素材：reference_audio_file_ids、reference_audio_urls、reference_image_file_id 和 reference_image_url。
兼容接口
以下能力接口继续支持且行为不变；新接入建议使用上面的统一信封。
| 用途 | 方法 | 路径 |
|---|---|---|
| 查询可用模型 | GET | /v1/audio/models |
| 创建配音任务 | POST | /v1/audio/generations |
| 查询任务 | GET | /v1/audio/generations/{id} |
| 查询并获取新的音频地址 | GET | /v1/audio/generations/{id}?result=true |
| 上传参考音频 | POST | /v1/video-materials?kind=audio |
BASH
curl -X POST https://api.anycap.io/v1/audio/generations \ -H "Authorization: Bearer $ANYCAP_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "seed-audio-1.0", "prompt": "姐妹们，这条裤子真的绝了，垂感特别好。", "speaker": "zh_female_vv_uranus_bigtts", "format": "mp3", "sample_rate": 44100, "speech_rate": 15 }'提交后返回持久化任务。轮询 GET /v1/audio/generations/{id}，直到 state 为 completed、failed 或 pending。上游 5xx 与网络中断会自动重试；重试耗尽会以 failed 结束并释放预留。完成后会返回 billing_status 和 duration；加 ?result=true 可获得新的私有 audio_url（最长 24 小时，且不超过文件保留期）。
生成方式
- 纯文本：不传任何参考，直接在
prompt里描述角色、音效与背景音乐。 - 预设音色：传
speaker（豆包语音合成 2.0 音色 ID），不引用参考素材。 - 参考音频：上传最多 3 段（
reference_audio_file_ids），或传最多 3 条公开 https 链接（reference_audio_urls），顺序对应@音频1..@音频3。 - 参考图片：上传 1 张 JPEG/PNG/WebP（
reference_image_file_id），或传 1 条公开 https 链接（reference_image_url）；prompt按文本朗读。 - 链接由上游拉取，提交前无法校验时长、大小和可用性。
speaker、自有reference_audio_file_ids、reference_audio_urls、reference_image_file_id、reference_image_url五者互斥，只能选一种或不传；混用会返回 400。
参考音频
- 先调用
POST /v1/video-materials?kind=audio上传，平台会校验格式和时长。 - 把返回的 id 放进
reference_audio_file_ids，上传顺序对应@音频1到@音频3。 - 单段不超过 30 秒、10 MiB；最多 3 段，总时长不超过 90 秒。
speaker、自有reference_audio_file_ids、reference_audio_urls、reference_image_file_id、reference_image_url五者互斥，只能选一种或不传。
参数与限制
字段取值说明
format
取值wav / mp3 / pcm / ogg_opus
说明默认 mp3；ogg_opus 仅支持 48000 Hz。
sample_rate
取值8000–48000
说明mp3 不支持 40000。
speech_rate
取值-50 到 100
说明0 正常；100 为 2.0 倍速。
loudness_rate
取值-50 到 100
说明0 不调整音量。
pitch_rate
取值-12 到 12
说明0 不调整音调。
enable_subtitle
取值true / false
说明默认 false；完成后返回句级时间轴。
watermark
取值true / false
说明默认 false；在音频结尾加入上游 AIGC 标识。
prompt
取值最多 3000 字符
说明具体来源可能有更严格限制。