生成 WAV 播报音频
POST /v1/audio/speech
把文本合成为播报音频。model、voice，以及 input 或非空的 segments[] 二选一，都是必填；音色 ID 从 GET /v1/audio/voices 取。默认 stream_format: "audio" 流式返回二进制 audio/wav；sse 返回 speech.audio.delta 事件，最后是 speech.audio.done，每个增量里是 base64 音频，WAV 头在第一个增量里。不传 sample_rate 表示按原生采样率输出：桌面网关只接受与原生一致的显式值，流式重采样返回 400；Headless 服务拒绝任何显式值。只用所选模型支持的控制项。
请求体
application/json必填
modelstring必填播报模型 ID，从模型清单里取。整个请求（含每个段落）只用这一个模型。voicestring必填音色 ID，从 GET /v1/audio/voices 取，例如 builtin:bright-girl 或已保存的 user:<uuid>。builtin:auto 让模型自己设计音色，Qwen/Qwen3-TTS-VoiceDesign 必须用它；CustomVoice 模型回退到第一个官方音色 Vivian。inputstring传 input 或非空的 segments[]。segmentsobject[]分段输入，至少一条。每段默认沿用顶层的音色和生成参数，段内显式给出的值优先。inputstring本段的文本。voicestring本段的音色。不传则沿用顶层的 voice。instructionsstring | null本段的说话风格。非空文本覆盖顶层风格；不传、传 "" 或 null 则继承顶层。disable_stylebooleantrue 表示本段不用任何风格；false 或不传则继承顶层风格。不能与非空 instructions 同给。speednumber本段的语速。不传则沿用顶层的 speed。languagestring本段的语言。不传则沿用顶层的 language。response_formatstring目前只支持 WAV。stream_formatstringaudio 直接流式返回 WAV 字节；sse 返回事件流，增量里是 base64 音频。默认 audio。languagestring输入文本的语言，例如 zh 或 en-US。省略或传 auto 时自动选择。不接收语言输入的模型仍会按自己的 supported_languages 校验，并用它挑选参考音。模型不支持该语言时返回 422 language_unsupported。见 /docs/languages#speech 。seedinteger采样随机种子。传同一个种子可以复现同一个结果；不传则每次都重新生成。sample_rateinteger不传表示按原生采样率输出。guidance_scalenumber无分类器引导强度。值越大越贴合音色和文本，代价是自然度下降。没有扩散阶段的模型会忽略它。inference_stepsinteger扩散步数。步数越多质量越好、速度越慢。没有扩散阶段的模型会忽略它。temperaturenumber采样温度，范围 0.1–2。超出范围返回 400；不做采样的模型会忽略它。top_pnumber核采样截断，范围 0.1–1。超出范围返回 400；不做采样的模型会忽略它。top_kinteger采样候选数，范围 1–100。超出范围返回 400；不做采样的模型会忽略它。repetition_penaltynumber重复惩罚，1 表示不惩罚。上限随模型而定，超出范围返回 400；不做采样的模型会忽略它。retry_badcaseboolean让模型在自判生成失败时重试一次。仅 openbmb/VoxCPM2 支持，其他模型会忽略它。clone_recipestringopenbmb/VoxCPM2 的克隆配方，controllable 或 ultimate。不传则沿用该音色保存的首选配方。ultimate 没有风格控制，要配非空 instructions 就得传 controllable。其他模型返回 400 clone_recipe_requires_voxcpm2，builtin:auto 返回 400 clone_recipe_requires_saved_voice。instructionsstring | nullOpenAI 字段名下的自然语言说话风格，例如语气或情绪。不传、传 "" 或 null 沿用音色保存的风格；非空文本表示本次改用这段风格。voice: "builtin:design" 时它是声音描述，必填。不支持指令的模型收到非空文本会返回 400，而不是静默丢弃。FireRedTeam/FireRedTTS3-Instruct 与 k2-fsa/OmniVoice 的描述只在 voice: "builtin:design" 下生效，选了具体音色再给非空文本返回 400 bad_request（errors.broadcast.instructUnsupported）。已删除的 style_instruction 字段返回 400 bad_request。disable_stylebooleantrue 表示本次不用任何风格；false 或不传无作用。与非空 instructions 同给返回 400 conflicting_speech_instructions。speednumber语速，1 是模型的自然语速。没有语速控制的模型会忽略它。user_marks发音与控制输入，结构随模型而定。phonetic_spans发音与控制输入，结构随模型而定。control_policy发音与控制输入，结构随模型而定。响应
200生成的音频。默认返回体是二进制 audio/wav；stream_format: "sse" 时是事件流，终止事件为 speech.audio.done。也要处理 error 事件，以及在 done 之前断开的情况。400请求不合法。先改请求再重试：error.code 用于程序判断，error.param 用于定位是哪个输入。401API Key 缺失或无效。403Host 或 Origin 不被允许，或 License 被拒。按 error.code 区分这两种情况。413请求体超过 512 MiB。422所选模型不覆盖这门语言（language_unsupported）。换模型，不要改语言代码。503所需的本地模型仍在准备（model_downloading），或服务正忙（service_busy）。带 Retry-After 时按它退避。