多角色對話

一次請求送出整份對話腳本，系統會依輸入順序逐段合成、自動串接成一段完整語音。適合劇情演出、訪談模擬、廣播劇。

運作方式

你提供一個 dialogue 陣列，每一筆是一句台詞，各自指定配音員、風格與模型版本。系統合成後串接為單一音檔回傳， 不會回傳分段檔案。

audio_config 是逐句設定的，不指定就用預設值。想讓某個角色講快一點，只要在那幾句加上 speed 即可。

端點

POST /TTS/generate-dialogue

Request body

input.dialogue array 必填

對話陣列，依序合成。

voai_script_text string 必填

該角色的台詞，上限 1000 字。支援 [:秒數] 停頓標籤（最多 5 秒）。

voice object 必填

name（配音員）、style（風格）、 version（模型版本）。 注意這裡欄位叫 version，不是 model。

audio_config object 選填

speed [0.5, 1.5]、 pitch_shift [-5, 5]、 style_weight [0, 1]（僅 Classic）、 breath_pause [0, 10]。

curl --location '{{BASE_URL}}/TTS/generate-dialogue' \
  --header 'x-api-key: your-api-key' \
  --header 'x-output-format: wav' \
  --header 'Content-Type: application/json' \
  --data '{
    "input": {
      "dialogue": [
        {
          "voai_script_text": "今天的進度會議[:1.5]你準備好了嗎？",
          "voice": { "name": "佑希", "style": "聊天", "version": "Neo" },
          "audio_config": {
            "speed": 1,
            "pitch_shift": 0,
            "style_weight": 0.5,
            "breath_pause": 0
          }
        },
        {
          "voai_script_text": "差不多了，我剛把簡報做完。",
          "voice": { "name": "子墨", "style": "預設", "version": "Classic" }
        },
        {
          "voai_script_text": "等你們兩個一起上場，就沒問題了！",
          "voice": { "name": "雨榛", "style": "輕鬆", "version": "Neo" }
        },
        {
          "voai_script_text": "我先去把會議室開好。",
          "voice": { "name": "佑希", "style": "聊天", "version": "Neo" }
        }
      ]
    }
  }' \
  --output dialogue.wav

import requests

dialogue = [
    {
        "voai_script_text": "今天的進度會議[:1.5]你準備好了嗎？",
        "voice": {"name": "佑希", "style": "聊天", "version": "Neo"},
        "audio_config": {
            "speed": 1,
            "pitch_shift": 0,
            "style_weight": 0.5,
            "breath_pause": 0,
        },
    },
    {
        "voai_script_text": "差不多了，我剛把簡報做完。",
        "voice": {"name": "子墨", "style": "預設", "version": "Classic"},
    },
    {
        "voai_script_text": "等你們兩個一起上場，就沒問題了！",
        "voice": {"name": "雨榛", "style": "輕鬆", "version": "Neo"},
    },
    {
        "voai_script_text": "我先去把會議室開好。",
        "voice": {"name": "佑希", "style": "聊天", "version": "Neo"},
    },
]

resp = requests.post(
    "{{BASE_URL}}/TTS/generate-dialogue",
    headers={"x-api-key": "your-api-key", "x-output-format": "wav"},
    json={"input": {"dialogue": dialogue}},
    timeout=300,
)
resp.raise_for_status()

with open("dialogue.wav", "wb") as f:
    f.write(resp.content)

採樣率的取捨

對話裡可以混用不同模型版本，但採樣率是整段共用的，因此上限取決於當中限制最嚴的模型：

含 Neo — 最高 32000
含 Sota+ — 最高 24000
未指定時：有 Classic 用 44100；有 Neo 用 32000；只有 Sota+ 用 24000

多角色對話的合成時間會隨句數線性增加。 client 端 timeout 請放寬，長對話建議抓 5 分鐘以上。

錯誤

400 對話格式錯誤、參數超出範圍、免費版使用 pcm，或額度不足

401 未提供或無效的 API Key

529 併發數量已達上限，請退避後重試

500 伺服器內部錯誤

更深入的角色配置技巧與效果調整，可參考對話進階說明。