語音與模型目錄

GET /v1/chat/catalog 返回公開模型、音色及即時點數價格。文本聊天使用 POST /v1/chat/completions，語音使用下方介面。

模型與價格

正在載入模型目錄...

語音轉文字

POST /v1/chat/transcribe，傳入 { "audio": "data:audio/webm;base64,..." }。支援純 base64，解碼後最大 10MB；返回 text 和 language。

文字轉語音

正在載入模型目錄...

展開模型可查看已啟用音色。音色名稱和說明可由管理員配置；禁用音色不會出現在目錄中，也不能用於新的合成請求。刷新本頁即可讀取最新配置。模型禁用後，其全部音色也會從文件和目錄的音色列表中移除，且不能用於新的合成請求；重新啟用不會重置各音色的獨立配置。預設音色或其所屬模型被禁用後，會自動選擇其他已啟用模型的已啟用音色。

POST /v1/chat/speech，傳入 { "text": "你好", "voice": "speech-light:zf_xiaoni" }，最多 2,000 字元。不傳 voice 使用後臺預設音色。使用目錄中的 voices[].id，其 modelId 對應模型及價格。支援 Speech Standard、Speech Light、Speech Pro、Speech Expressive。音色自動決定語音模型，與聊天模型獨立選擇。

返回 audio（MP3 data URI，格式為 data:audio/mpeg;base64,...）、voice 和 billing: { model, credits, characters, price, unit: "1000_characters" }。所有音色（包括 Speech Pro）均返回 MP3。audio 可直接賦給音頻播放器的 src，或將逗號後面的 base64 解碼並儲存為 .mp3 文件。Speech Pro 無需客戶端轉碼，音色 ID 和按字元計費規則不變，詳見可運行的 Python 示例。

串流語音

在同一個 POST /v1/chat/speech 請求中加入 "stream": true。Speech Standard、Speech Light、Speech Pro 和 Speech Expressive 均支援，目錄通過 speechModels[].streaming 標識此能力。不傳 stream 或傳 false，保持上面的完整 JSON 響應。

json

{ "text": "你好，今天過得怎么樣？", "voice": "speech-pro:Ashley", "stream": true }

響應為連續的 MP3 二進制流，Content-Type: audio/mpeg，不再是 JSON、base64 或 SSE。代理收到音頻就逐步轉發；Speech Pro 采用增量轉碼，不等待完整音頻。這不代表模型本身的生成延遲有保證。文本仍作為一個請求提交，不會自動拆句。

安裝了 curl 和 FFmpeg 後，可以直接邊接收邊播放：

bash

curl --fail --no-buffer https://api.coldstart.win/v1/chat/speech \
  -H "Authorization: Bearer $COLDSTART_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text":"你好，今天過得怎么樣？","voice":"speech-pro:Ashley","stream":true}' \
  | ffplay -nodisp -autoexit -f mp3 -i pipe:0

電話客戶端應逐塊讀取響應，並交給持續運行的 MP3 解碼器／播放器。瀏覽器可通過 response.body.getReader() 配合串流播放實現；呼叫 response.blob()、arrayBuffer() 或 json() 會等待完整響應。網路資料塊並非獨立 MP3 文件，不能把每塊當作完整音頻分別解碼。使用者打斷或掛斷時取消 fetch／reader。瀏覽器播放仍需通過使用者交互解鎖音頻權限。

響應頭提供 X-Speech-Voice（URL 編碼後的對外音色 ID）、X-Speech-Credits、X-Speech-Characters 和 X-Speech-Usage-Id。點數金額為本次預扣金額；成功完成後，價格與非串流相同，按字元計費。串流失敗或服務端完成處理前斷連，會退回本次點數並記錄失敗用量；服務端已經成功完成後再取消，不會撤銷成功扣費。

音頻開始前的錯誤仍返回常規 HTTP 狀態和 JSON 錯誤體；開始後若失敗，會中斷連接，請丟棄不完整音頻，並在任務歷史核對最終扣費。收到 HTTP 200 或首塊音頻不代表請求已經成功完成。若客戶端前還有額外代理，應關閉此路由的響應緩沖與壓縮；API 已發送 X-Accel-Buffering: no 和 Cache-Control: no-store, no-transform。

語音文本被明確判定違反內容政策時，串流和非串流請求都會在音頻開始前返回 HTTP 400，錯誤碼為 content_policy_violation，並退回點數。請勿自動重試相同文本，應調整為符合內容政策的文本。支援串流不代表沒有內容限制。

語音請求獨立處理，請明確傳入所需的公開音色 ID。語音非串流返回包含音頻 data URI 和賬單的 JSON，串流返回音頻字節。

語音消耗 = 清理後文本的計費字元數 × 模型每千字元單價 / 1,000，向上保留八位小數。Speech Light、Speech Pro 和 Speech Expressive 按 UTF-16 單位計數，以目錄標注為準：普通中文、英文字母計 1，😀 等補充平面字元計 2。Speech Standard 按 Unicode 碼點計數。目錄的 speechModels[].characterCounting 和響應的 billing.character_counting 標明規則（utf16_code_units 或 unicode_codepoints）；billing.characters 為實際計費數量。格式標記和動作描述在合成和計數前移除。失敗或空音頻原額退款。每次合成請求收費，直接重播返回的音頻不收費；控制臺在當前頁面按消息和音色快取音頻。

語音與模型目錄 ​

模型與價格 ​

語音轉文字 ​

文字轉語音 ​

串流語音 ​

語音與模型目錄

模型與價格

語音轉文字

文字轉語音

串流語音