为及时播报而选择
tts-1 的核心取舍是面向实时使用，而不是把精细音质作为唯一目标。对于操作反馈、提示语和对话回答朗读，可以先准备简洁文本，再生成语音接入播放器。这种定位适合重视响应体验的应用，但不代表固定生成耗时。
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 创作方式
- 文本转语音：输入文字，输出音频
- 原生定位
- 面向实时使用场景优化
- 预设声音
- alloy、echo、fable、onyx、nova、shimmer
- 音频格式选项
- mp3、opus、aac、flac、wav、pcm；默认 mp3
- 语速控制
- speed 数值参数，默认 1.0
- 调用入口
- POST /v1/audio/speech；显式指定 model="tts-1"
实时应用定位与预设声音属于公开原生能力，格式、语速和请求方式按本平台的语音生成入口使用。
核心能力
了解 tts-1 能为你的工作带来什么。
用预设声音统一听觉风格
六种预设声音让应用可以在同一文本上进行试听，选择适合内容风格的声音，并在后续播报中保持一致。voice 使用固定名称，不需要上传录音。选型时宜用真实文案比较听感，而不是仅凭声音名称推断性别、口音或情绪。
音频交付与语速可配置
生成语音时可以选择音频格式，并通过 speed 调整播放节奏。默认 mp3 便于常见播放器接入，其他格式可按交付链路选择。返回内容是音频数据，应用应按所选格式保存或播放，而不是把结果作为聊天文本或下载地址解析。
适用场景
从具体任务出发，找到模型发挥作用的位置。
应用通知与操作引导
把订单状态、操作步骤或设备提示整理成明确短句，选择固定声音生成播报音频，交付给应用播放器。对于重复使用的提示，可以在业务侧保存已生成音频；动态信息则先完成文字校验，再进行语音生成，避免把错误内容直接读给用户。
文章与知识内容朗读
输入已编辑的文章段落、课程讲解或知识卡片，输出可播放的朗读音频。建议按语义段落组织内容，先用包含术语、数字和缩写的样稿试听，再确定声音与语速。交付物是文字对应的语音，内容改写和事实校对应在生成前完成。
语音助手的回答播报
在语音助手中，tts-1 可以承担回答文字到语音的最后一步：先由业务逻辑或对话模型得到答复，再将适合口头表达的文本提交生成。它负责说出既定内容，不承担录音识别或回答推理，适合构建职责清晰的语音交互流程。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
实时体验优先，选择 tts-1
如果任务是频繁出现的短提示、即时反馈或对话播报，且希望优先考虑响应体验，tts-1 的定位更匹配。评估时应使用真实文本，在目标设备上试听并测量完整播放链路；原生实时优化方向并不等于应用中的网络、排队和播放启动时间都有固定保证。
音质优先，与 tts-1-hd 对照试听
tts-1-hd 是侧重音质的独立型号，不是 tts-1 的声音选项或输出格式。对于反复播放的旁白和精修内容，可以用相同文稿比较两个型号，再根据听感与响应需求决定。选择更精细的格式也不等于切换到 HD 型号，声音、格式和模型应分别考虑。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- tts-1 是文本转语音模型，不是语音识别模型。应提交需要朗读的文字；录音转写、自动回答以及文案生成需要在其他环节完成。也不要把普通文字输入当成可精确控制情绪、表演方式或人物身份的专用指令。
- 预设声音选择不等于声音克隆。这里的工作方式是通过 voice 选择固定声音，不应按上传参考录音、复刻某人音色或精确模仿口音来设计流程。正式使用前，应针对人名、专业术语和混合语言文本进行试听。
- 实时使用定位不意味着固定延迟，也不保证任意长度文本一次完成。长内容适合按语义拆分并由应用管理拼接、播放与重试；语速调整后还应重新试听，检查数字、缩写和重要提示是否依然清楚。
常见问题
解答使用 tts-1 时的常见疑问。
tts-1 与 tts-1-hd 的主要区别是什么？
两者的主要区别是优化方向：tts-1 面向实时使用场景，tts-1-hd 侧重音质。即时提示和对话播报可优先考虑 tts-1；精修旁白则适合进行同文稿试听比较，不能仅凭文件格式判断使用了哪个型号。
tts-1 可以选择哪些声音？
可选择 alloy、echo、fable、onyx、nova、shimmer，默认声音为 alloy。建议使用实际业务文稿逐一试听，再固定声音。名称本身不构成口音、情绪或角色承诺，也不表示能够复刻任意人的声音。
如何明确调用 tts-1？
向 POST /v1/audio/speech 提交需要朗读的 input，并显式设置 model 为 tts-1；按需加入 voice、response_format 和 speed。显式选择模型可以让请求意图更清楚，收到结果后应按音频二进制数据处理。
能输出什么格式，语速能调整吗？
音频格式选项包括 mp3、opus、aac、flac、wav 和 pcm，默认 mp3；speed 默认值为 1.0。应根据播放器和音频处理流程选择格式，并在调整语速后试听，不把未明确的数值范围当作可用边界。
tts-1 能直接听录音并回答吗？
不能把 tts-1 当作完整语音对话模型。它接收文字并生成语音；如果用户输入录音，需要先完成转写，再生成回答文字，最后交给 tts-1 播报。这样也便于在播报前审核内容，并优化文字的口头表达。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。