已上线10 个模型

文本转语音 API — 自然 AI 语音生成

Muapi 的文本转语音 API 可通过统一的 REST 集成，将文字转换为自然、近似真人的音频。您可以选择 MiniMax、Google Gemini、ElevenLabs（包括 Eleven v4 API）和 Fish Audio（Fish Audio S2.1 Pro API），用于单人旁白或多说话人对话。使用录音棚级或极速生成，并调节音色、情绪、语速、稳定性和相似度。所有模型都采用相同的异步提交与轮询流程，价格低至每 1,000 个字符 $0.015。

获取文本转语音 API 密钥试用 MiniMax Speech HD 试用 Gemini Flash TTS Text-to-Speech API examples and comparison on GitHub

文本转语音现已在 Muapi 上线

选择单人语音或多说话人模型，提交脚本，然后轮询返回的请求 ID，即可获取可下载的音频文件。

MiniMax 语音

提供录音棚级和极速档位的单人旁白生成2 个模型

TTS已上线

MiniMax

MiniMax Speech 2.6 HD

录音棚级音质，发音清晰、节奏流畅、情感逼真，适用于有声书、播客和旁白。

Text → audio

$0.13/1,000 chars

试用模型

TTS已上线

MiniMax

MiniMax Speech 2.6 Turbo

快速轻量的语音生成，自然音质，并可调节语速、音量、音高和情绪，适合快速制作音频。

Text → audio快速

$0.07/1,000 chars

试用模型

Gemini TTS

富有表现力的多说话人对话，支持音色和语气控制4 个模型

TTS已上线

Google Gemini

Gemini 3.1 Flash TTS

高性价比的多说话人语音，支持不同音色、口音、情感风格，以及 [whispers] 等内联语气标签。

Dialogue → audio快速

$0.035/1,000 chars

试用模型

TTS已上线

Google Gemini

Gemini 2.5 Pro TTS

高端多说话人语音，音质细腻，适用于有声书、电影级对话和长篇旁白。

Dialogue → audio

$0.035/1,000 chars

试用模型

TTSnew

Google Gemini

Dialogue → audio快速

$0.015/1,000 chars

试用模型

TTSnew

Google Gemini

Dialogue → audio快速

$0.01/1,000 chars

试用模型

ElevenLabs

富有表现力的 Eleven v4 语音、快速单人语音和多语言对话3 个模型

TTS已上线

ElevenLabs

ElevenLabs TTS Turbo 2.5

快速生成单人语音，可调节稳定性、相似度和语速，适用于配音、IVR 和高吞吐量旁白。

Text → audio快速

$0.05/1,000 chars

试用模型

TTS已上线

ElevenLabs

ElevenLabs Text to Dialogue V3

根据结构化脚本生成多语言多说话人对话，为每位说话人指定音色 ID，并实现自然的轮流发言。

Dialogue → audio

$0.10/1,000 chars

试用模型

TTSnew

ElevenLabs

Eleven v4

ElevenLabs 的 Eleven v4 文本转语音，适用于富有表现力的单人旁白：每次请求最多 2,000 个字符，价格为 $0.08/1,000 characters，返回 MP3。

Text → audio

$0.08/1,000 chars

试用模型

Fish Audio S2.1 Pro

长篇旁白，每次请求最多支持 10,000 个字符1 个模型

TTSnew

Fish Audio

Fish Audio S2.1 Pro

长篇文本转语音：每次请求最多 10,000 个字符，按 $15 per 1M UTF-8 bytes 计费（约合每 1,000 个英文字符 $0.015），返回 MP3。

Text → audio

$15/1M UTF-8 bytes

试用模型

什么是文本转语音 API？

文本转语音（TTS）API 可通过一次 HTTP 请求，将书面文字转换为语音。提交脚本、选择音色和表达风格，即可获取可下载的音频文件，无需自行搭建音频工程流程。

Muapi 通过统一的 REST 模式提供实时 TTS 端点：一个 API 密钥、一套请求与轮询流程，以及按量付费。您可以选择单人旁白，用于配音和 IVR（包括 Eleven v4 API 和 Fish Audio S2.1 Pro API）；也可以选择多说话人对话，用于角色、播客和有声书。

文本转语音功能

多说话人对话

Gemini TTS 和 ElevenLabs Text to Dialogue V3 可为脚本对话中的不同发言轮次分配各异的音色、口音和表达风格。

内联情绪和语气

Gemini 模型支持 [whispers]、[shouting] 和 [determination] 等内联标签，可在单句中控制表达效果。

录音棚级和极速档位

追求音质可使用 MiniMax Speech 2.6 HD 或 Gemini 2.5 Pro TTS；更看重延迟和成本时，可选其更快的版本。

可调节的语音参数

可调整语速、音量、音高、情绪、稳定性、相似度和其他模型专属参数。

自定义和克隆音色

ElevenLabs 端点支持自定义音色 ID。您可以先通过兼容的音色克隆流程创建可重复使用的音色。

四家提供商，一个 API

MiniMax、Google Gemini、ElevenLabs 和 Fish Audio 模型共用 Muapi 身份验证、异步任务、结果轮询和计费。

文本转语音应用场景

旁白和配音

根据脚本制作有声书章节、视频旁白、广告、讲解视频和社交媒体短片。

角色和播客

生成多主持人对话和角色对白，并为不同角色设置独特音色和情感表达。

IVR 和应用音频

大规模生成电话语音提示、通知、无障碍音频及其他动态语音。

本地化

利用多语言对话和语言控制，为全球受众及学习资料制作内容。

文本转语音模型对比：含 Eleven v4 API 和 Fish Audio S2.1 Pro API

模型	提供商	价格	适用场景
MiniMax Speech 2.6 HD	MiniMax	$0.13/1,000 characters	录音棚级单人旁白
MiniMax Speech 2.6 Turbo	MiniMax	$0.07/1,000 characters	快速生成单人语音
ElevenLabs TTS Turbo 2.5	ElevenLabs	$0.05/1,000 characters	高吞吐量旁白和 IVR
Gemini 3.1 Flash TTS	Google	$0.035/1,000 characters	快速生成多说话人对话
Gemini 2.5 Pro TTS	Google	$0.035/1,000 characters	录音棚级多说话人对话
ElevenLabs Text to Dialogue V3	ElevenLabs	$0.10/1,000 characters	多语言多说话人对话
Eleven v4	ElevenLabs	$0.08/1,000 characters	富有表现力的单人旁白，每次请求最多 2,000 个字符
Fish Audio S2.1 Pro	Fish Audio	$15/1M UTF-8 bytes (~$0.015/1,000 English characters)	长篇旁白，每次请求最多 10,000 个字符

Fish Audio S2.1 Pro 按 UTF-8 字节计费：英文文本通常每个字符约占一个字节，非拉丁文字则每个字符占三到四个字节。

文本转语音 API 示例

使用 Muapi API 密钥提交纯文本或结构化对话，保存请求 ID，并轮询标准预测结果端点以获取音频 URL。

生成单人语音

curl -X POST https://api.muapi.ai/api/v1/minimax-speech-2.6-hd \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to Muapi. Your workspace is ready.","voice_id":"Friendly_Person","speed":1,"emotion":"happy","format":"mp3"}'

# Response: {"request_id":"REQUEST_ID"}

使用 MiniMax 或 ElevenLabs 单人语音端点，并设置 prompt、音色及可选的表达参数。

生成 Gemini 对话

curl -X POST https://api.muapi.ai/api/v1/gemini-3-1-flash-tts \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"speakers":[{"speaker_id":"Speaker 1","voice_name":"Kore","accent":"Neutral","style":"Empathetic","pace":"Natural"},{"speaker_id":"Speaker 2","voice_name":"Puck","accent":"British (RP)","style":"Deadpan","pace":"Natural"}],"dialogue_turns":[{"speaker_id":"Speaker 1","text":"[warmly] Welcome to the show."},{"speaker_id":"Speaker 2","text":"[whispers] Let us begin."}]}'

定义说话人和按顺序排列的对话轮次；每轮都引用要使用的音色配置。

使用 Eleven v4 API 生成语音

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-v4 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the future of voice. This is Eleven v4, speaking with natural rhythm and emotion.","voice_id":"voice_daniel"}'

# Response: {"request_id":"REQUEST_ID"}

在 prompt 中发送最多 2,000 个字符，并选择 voice_daniel 或 voice_liam；Eleven v4 的价格为每 1,000 个字符 $0.08。

使用 Fish Audio S2.1 Pro API 生成长篇语音

curl -X POST https://api.muapi.ai/api/v1/fish-s2-1-pro \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the show. Today we look at how voice models have changed the way we tell stories.","voice_id":"voice_fish_narrator"}'

# Response: {"request_id":"REQUEST_ID"}

在 prompt 中发送最多 10,000 个字符，并使用 voice_fish_narrator；按 $15 per 1M UTF-8 bytes 计费。

生成 ElevenLabs 对话

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-text-to-dialogue-v3 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"dialogue":[{"text":"Welcome to the show.","voice_id":"ZQe5CZNOzWyzPSCn5a3c"},{"text":"Let us begin.","voice_id":"EXAVITQu4vr4xnSDxMaL"}],"language_code":"en","stability":0.5}'

传入结构化对话数组，并为每轮指定音色 ID，即可生成多语言多说话人音频。

轮询音频结果

curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result \
  -H "x-api-key: YOUR_API_KEY"

# Read the generated audio URL after status becomes completed.

持续轮询，直到状态变为 completed，然后从响应中读取可下载的音频 URL。

文本转语音 API 常见问题

什么是文本转语音 API？

Muapi 的 TTS API 通过 MiniMax、Google Gemini、ElevenLabs 和 Fish Audio 端点，将文字转换为自然语音，支持单人旁白和多说话人对话。

多说话人对话应该使用哪个模型？

如需说话人配置和内联语气标签，可使用 Gemini 3.1 Flash TTS 或 Gemini 2.5 Pro TTS；如需按说话人指定音色 ID 来生成结构化多语言对话，可使用 ElevenLabs Text to Dialogue V3。

文本转语音的费用是多少？

Fish Audio S2.1 Pro 起价为每 1,000 个英文字符 $0.015（按 $15 per 1M UTF-8 bytes 计费）；Gemini 3.1 Flash 和 2.5 Pro TTS 为每 1,000 个字符 $0.035；ElevenLabs TTS Turbo 2.5 为 $0.05；Eleven v4 为 $0.08；ElevenLabs Dialogue V3 为 $0.10；MiniMax Turbo 为 $0.07；MiniMax HD 为 $0.13。Gemini 3.8 Flash 和 Flash Lite 的价格分别为每 1,000 个字符 $0.015 和 $0.01。

如何使用 Eleven v4 API？长度限制是多少？

调用 elevenlabs-v4 端点，在 prompt 中最多提供 2,000 个字符，并将 voice_id 设为 voice_daniel 或 voice_liam，然后轮询请求 ID 获取 MP3。Eleven v4 的费用为每 1,000 个字符 $0.08。

什么是 Fish Audio S2.1 Pro API？

Fish Audio S2.1 Pro API（fish-s2-1-pro）是一个长篇文本转语音端点，每次请求最多接受 10,000 个字符，使用 voice_fish_narrator，并返回 MP3。按 $15 per 1M UTF-8 bytes 计费，约合每 1,000 个英文字符 $0.015。

可以使用自定义或克隆音色吗？

可以。ElevenLabs 端点支持自定义 ElevenLabs 音色 ID；在所选模型架构支持的情况下，MiniMax 也支持经过训练的音色 ID。

返回什么音频格式？

每个模型都会通过标准预测结果端点返回可下载的音频文件 URL，可直接嵌入或下载，也可传入视频或口型同步流程。

如何使用文本转语音 API 模型？

创建 Muapi API 密钥，调用与脚本相匹配的端点，并轮询返回的请求 ID。已上线模型无需候补名单即可使用。

Eleven v4 API 和 ElevenLabs 端点 →对比 Eleven v4、TTS Turbo 2.5 和 Text to Dialogue V3。Fish Audio S2.1 Pro API →长篇旁白，每次请求最多 10,000 个字符，按 UTF-8 字节计费。探索 Gemini TTS 系列 →对比全部四个 Gemini TTS 档位：3.8 Flash、3.8 Flash Lite、3.1 Flash 和 2.5 Pro。探索音色克隆 →为兼容的语音工作流创建可重复使用的音色。探索 Suno 音乐 →需要音乐而非语音时，可生成、混音和延展歌曲。浏览音频模型 →对比语音、音乐、音效和视频转音频端点。探索口型同步模型 →将生成的语音与人脸视频配对，制作会说话的虚拟形象。

准备好生成自然语音了吗？

使用一个 Muapi API 密钥，即可生成旁白、角色对话、IVR、播客和多语言音频。

获取 API 密钥试用文本转语音