如何生成语音

把文本转换为语音音频。

快速开始

语音生成速度够快，适合用同步模式：

cURLPythonJavaScript

bash

curl -X POST "https://api.get3w.com/v1/elevenlabs/eleven-3/text-to-speech?sync=true" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Welcome to Get3W, the unified AI platform."
  }'

python

import requests

response = requests.post(
    "https://api.get3w.com/v1/elevenlabs/eleven-3/text-to-speech?sync=true",
    headers={
        "Authorization": "Bearer YOUR_API_KEY",
        "Content-Type": "application/json"
    },
    json={"text": "Welcome to Get3W, the unified AI platform."}
)

data = response.json()
print(data["outputs"][0])

javascript

const response = await fetch(
    "https://api.get3w.com/v1/elevenlabs/eleven-3/text-to-speech?sync=true",
    {
        method: "POST",
        headers: {
            "Authorization": "Bearer YOUR_API_KEY",
            "Content-Type": "application/json"
        },
        body: JSON.stringify({
            text: "Welcome to Get3W, the unified AI platform."
        })
    }
);

const data = await response.json();
console.log(data.outputs[0]);

outputs 数组包含生成音频文件的 URL。

可用模型

Slug	说明
`elevenlabs/eleven-3/text-to-speech`	质量高，支持多语言
`bilibili/index-tts-2/text-to-speech`	中文音色表现出色
`bytedance/seed-audio-1/text-to-speech`	自然语言描述生成人声、音效、配乐，最长 120 秒；支持参考音频（`@音频1`）、音色 ID 或参考图片。¥1.1/分钟

音色选择、语速和语言选项因模型而异。在硬编码取值前，请先到 get3w.com/models 查看对应模型页面的参数 schema。

音乐生成

生成音乐（而非语音）请使用 text-to-music run type：

bash

curl -X POST "https://api.get3w.com/v1/minimax/music-2.6/text-to-music?sync=true" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "Upbeat acoustic guitar, warm and optimistic, 120 bpm"
  }'

Slug	说明
`minimax/music-2.6/text-to-music`	支持人声与纯乐器
`elevenlabs/eleven-music/text-to-music`	纯乐器配乐
`ace-step/ace-step-1.5/text-to-music`	生成速度快

语音转写

反方向的能力是 speech-to-text：

bash

curl -X POST "https://api.get3w.com/v1/openai/whisper-large-v3-turbo/speech-to-text?sync=true" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio_url": "https://your-cdn.com/recording.mp3"
  }'

对于 speech-to-text，outputs 中每一项是转写对象而不是文件 URL。Whisper 的 text 为完整文本，segments 为带时间戳（秒）的句级片段：

json

{
  "outputs": [
    {
      "text": "你好，我们今天讨论项目进度。好的，我先汇报一下。",
      "segments": [
        { "index": 1, "start": 0.1, "end": 3.82, "text": "你好，我们今天讨论项目进度。" },
        { "index": 2, "start": 3.82, "end": 6.5, "text": "好的，我先汇报一下。" }
      ]
    }
  ]
}

用 Qwen-Audio ASR 转写长音频

alibaba/qwen-audio-3.1-asr-flash-filetrans/speech-to-text 支持最长 12 小时的音视频。输入和输出与阿里云官方录音文件识别 API 一致：官方 input 和 parameters 里的字段直接平铺在请求体顶层，名称和取值不变。

bash

curl -X POST "https://api.get3w.com/v1/alibaba/qwen-audio-3.1-asr-flash-filetrans/speech-to-text" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "file_urls": ["https://your-cdn.com/meeting.mp3"],
    "language_hints": ["zh", "en"],
    "diarization_enabled": true
  }'

字段	类型	说明
`file_urls`	array of string	必填，恰好 1 个可公网访问的 HTTP/HTTPS 音视频 URL
`language_hints`	array of string	最多 4 个语言代码，如 `["zh", "en"]`；不传则自动识别
`diarization_enabled`	boolean	说话人分离（仅单声道，建议不超过 2 小时），开启后句子带 `speaker_id`
`speaker_count`	integer	说话人数量参考值，2-100，仅在 `diarization_enabled` 为 `true` 时生效
`keep_dialect`	boolean	保留方言表达，不转为普通话，默认 `false`
`channel_id`	array of integer	要识别的音轨，默认 `[0]`，每个音轨独立计费
`vocabulary`	object	即时热词 `{"词": 权重}`，权重 1-5 或 50（超级热词）
`context`	array of object	上下文增强，格式与官方消息结构一致
`special_word_filter`	string	敏感词处理规则

outputs[0] 是官方识别结果 JSON 原文，外加顶层 text。时间单位为毫秒，words 为词级时间戳：

json

{
  "outputs": [
    {
      "text": "你好，我们今天讨论项目进度。",
      "file_url": "https://your-cdn.com/meeting.mp3",
      "properties": { "audio_format": "pcm_s16le", "channels": [0], "original_sampling_rate": 16000, "original_duration_in_milliseconds": 3834 },
      "transcripts": [
        {
          "channel_id": 0,
          "content_duration_in_milliseconds": 3720,
          "text": "你好，我们今天讨论项目进度。",
          "sentences": [
            {
              "begin_time": 100, "end_time": 3820, "text": "你好，我们今天讨论项目进度。", "sentence_id": 1, "speaker_id": 0,
              "words": [
                { "begin_time": 100, "end_time": 596, "text": "你好", "punctuation": "，" },
                { "begin_time": 596, "end_time": 844, "text": "我们", "punctuation": "" }
              ]
            }
          ]
        }
      ]
    }
  ]
}

与官方 API 的差异：请求体平铺；outputs[0] 多一个 text；不支持 vocabulary_id（请用 vocabulary）；不返回 task_id、transcription_url 等任务元数据；按 Get3W 价格计费。

下一步

如何创建数字人 —— 用生成的语音驱动数字形象
完整工作流教程 —— 把语音串联进视频

如何生成语音 ​

快速开始 ​

可用模型 ​

音乐生成 ​

语音转写 ​

用 Qwen-Audio ASR 转写长音频 ​

下一步 ​

如何生成语音

快速开始

可用模型

音乐生成

语音转写

用 Qwen-Audio ASR 转写长音频

下一步