docs: add music, TTS, ASR API endpoints to customer-facing documentation
- POST /v1/music/generations: MiniMax Music 2.6/2.5 with lyrics structure tags - POST /v1/audio/speech: MiniMax Speech 2.6 Turbo/HD, 2.5 HD, F5-TTS - POST /v1/audio/transcriptions: qwen3-asr-flash, Nvidia parakeet-tdt-0.6b-v2 - Includes curl examples, response formats, model lists, error codes
This commit is contained in:
parent
23816650ab
commit
677ebae525
@ -753,6 +753,249 @@ curl -X POST 'https://token.opencomputing.cn/llmage/v1/image/generations' \
|
||||
|
||||
---
|
||||
|
||||
## POST /v1/music/generations
|
||||
|
||||
音乐生成接口。
|
||||
|
||||
### 必填参数
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `model` | string | 模型名称，如 `"music-2.6"`, `"music-2.5"` |
|
||||
| `catelogid` | string | 目录类型ID，固定为 `"music_gen"` |
|
||||
| `prompt` | string | 音乐风格描述（风格、情绪、场景），如 `"流行音乐, 开心, 适合阳光明媚的下午"` |
|
||||
| `lyrics` | string | 歌词内容，使用 `\n` 分隔每行，可包含结构标签 |
|
||||
|
||||
### 歌词结构标签
|
||||
|
||||
歌词中可包含以下结构标签来优化生成的音乐结构：
|
||||
- `[Intro]` - 前奏
|
||||
- `[Verse]` - 主歌
|
||||
- `[Pre Chorus]` - 预副歌
|
||||
- `[Chorus]` - 副歌
|
||||
- `[Bridge]` - 桥段
|
||||
- `[Outro]` - 尾声
|
||||
- `[Interlude]` - 间奏
|
||||
- `[Hook]` - 记忆点
|
||||
- `[Build Up]` - 情绪铺垫
|
||||
- `[Solo]` - 独奏
|
||||
|
||||
### 请求示例
|
||||
|
||||
```json
|
||||
{
|
||||
"model": "music-2.6",
|
||||
"catelogid": "music_gen",
|
||||
"prompt": "Pop music, happy, suitable for a sunny day",
|
||||
"lyrics": "[Intro]\n\n[Verse]\nWalking down the street\nFeeling the beat\n\n[Chorus]\nDancing in the sun\nHaving so much fun"
|
||||
}
|
||||
```
|
||||
|
||||
```bash
|
||||
curl -X POST 'https://token.opencomputing.cn/llmage/v1/music/generations' \
|
||||
-H 'Authorization: Bearer ***
|
||||
-H 'Content-Type: application/json' \
|
||||
-d '{
|
||||
"model": "music-2.6",
|
||||
"catelogid": "music_gen",
|
||||
"prompt": "流行音乐, 欢快, 适合阳光明媚的下午",
|
||||
"lyrics": "[Intro]\n\n[Verse]\n走在阳光下\n感受每一刻\n\n[Chorus]\n在阳光下跳舞\n享受美好时光"
|
||||
}'
|
||||
```
|
||||
|
||||
### 响应格式
|
||||
|
||||
MiniMax 音乐生成为同步接口，直接返回音频URL：
|
||||
|
||||
```json
|
||||
{
|
||||
"id": "luid_xxx",
|
||||
"object": "music.generation",
|
||||
"model": "music-2.6",
|
||||
"status": "SUCCEEDED",
|
||||
"audio": "https://...",
|
||||
"created": 1716912000
|
||||
}
|
||||
```
|
||||
|
||||
### 可用模型
|
||||
|
||||
| 模型名称 | model 参数 | 说明 |
|
||||
|---------|-----------|------|
|
||||
| MiniMax Music 2.6 | `music-2.6` | 最新版本，音质最佳 |
|
||||
| MiniMax Music 2.5 | `music-2.5` | 支持14种段落级结构标签，物理级高保真 |
|
||||
|
||||
### MiniMax Music 2.5 特性
|
||||
|
||||
Music 2.5 在「段落级强控制」与「物理级高保真」两大技术难题上实现突破：
|
||||
- 开放全段落标签控制，精准支持14种结构变体
|
||||
- 长度限制：歌词内容 [1, 3500] 个字符
|
||||
- prompt 长度限制：[10, 300] 个字符
|
||||
|
||||
### 错误响应
|
||||
|
||||
| 状态码 | 说明 |
|
||||
|--------|------|
|
||||
| 400 | 缺少必填参数或模型不存在 |
|
||||
| 403 | 未登录 |
|
||||
| 429 | 账户余额不足 |
|
||||
|
||||
---
|
||||
|
||||
## POST /v1/audio/speech
|
||||
|
||||
文本转语音（TTS）接口。
|
||||
|
||||
### 必填参数
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `model` | string | 模型名称，如 `"speech-2.6-turbo"`, `"speech-2.6-hd"` |
|
||||
| `catelogid` | string | 目录类型ID，固定为 `"tts"` |
|
||||
| `prompt` | string | 需要合成的文本内容，最长 10,000 字符 |
|
||||
|
||||
### 可选参数
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `speaker` | string | 说话人/音色ID，如 `"female-tianmei"` |
|
||||
| `speed` | float | 语速，默认 `1.0` |
|
||||
| `emotion` | string | 情感，如 `"happy"`, `"sad"` |
|
||||
| `transno` | string | 交易流水号 |
|
||||
|
||||
### 请求示例
|
||||
|
||||
```json
|
||||
{
|
||||
"model": "speech-2.6-turbo",
|
||||
"catelogid": "tts",
|
||||
"prompt": "你好，欢迎使用语音合成服务",
|
||||
"speaker": "female-tianmei",
|
||||
"speed": 1.0,
|
||||
"emotion": "happy"
|
||||
}
|
||||
```
|
||||
|
||||
```bash
|
||||
curl -X POST 'https://token.opencomputing.cn/llmage/v1/audio/speech' \
|
||||
-H 'Authorization: Bearer ***
|
||||
-H 'Content-Type: application/json' \
|
||||
-d '{
|
||||
"model": "speech-2.6-turbo",
|
||||
"catelogid": "tts",
|
||||
"prompt": "你好，欢迎使用语音合成服务",
|
||||
"speaker": "female-tianmei",
|
||||
"speed": 1.0,
|
||||
"emotion": "happy"
|
||||
}'
|
||||
```
|
||||
|
||||
### 响应格式
|
||||
|
||||
MiniMax TTS 为流式接口，逐块返回音频数据（hex编码自动转base64）：
|
||||
|
||||
```json
|
||||
{
|
||||
"status": "SUCCEEDED",
|
||||
"audio": "base64_encoded_audio_data"
|
||||
}
|
||||
```
|
||||
|
||||
### 可用模型
|
||||
|
||||
| 模型名称 | model 参数 | 说明 |
|
||||
|---------|-----------|------|
|
||||
| MiniMax Speech 2.6 Turbo | `speech-2.6-turbo` | 极速版，更快更优惠，适用于语音聊天和数字人 |
|
||||
| MiniMax Speech 2.6 HD | `speech-2.6-hd` | 高清版，超低延时，更高自然度 |
|
||||
| MiniMax Speech 2.5 HD | `speech-2.5-hd-preview` | Preview版本 |
|
||||
| F5-TTS 本地 | `f5tts` | 本地部署，零样本声音克隆，多语言支持 |
|
||||
|
||||
### 错误响应
|
||||
|
||||
| 状态码 | 说明 |
|
||||
|--------|------|
|
||||
| 400 | 缺少必填参数或模型不存在 |
|
||||
| 403 | 未登录 |
|
||||
| 429 | 账户余额不足 |
|
||||
|
||||
---
|
||||
|
||||
## POST /v1/audio/transcriptions
|
||||
|
||||
语音识别（ASR）接口，将音频转为文本。
|
||||
|
||||
### 必填参数
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `model` | string | 模型名称，如 `"qwen3-asr-flash"`, `"parakeet-tdt-0.6b-v2"` |
|
||||
| `catelogid` | string | 目录类型ID，固定为 `"asr"` |
|
||||
| `audio_file` | string | 音频文件URL |
|
||||
|
||||
### 可选参数
|
||||
|
||||
| 参数 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `language` | string | 语言代码（部分模型支持） |
|
||||
| `transno` | string | 交易流水号 |
|
||||
|
||||
### 请求示例
|
||||
|
||||
```json
|
||||
{
|
||||
"model": "qwen3-asr-flash",
|
||||
"catelogid": "asr",
|
||||
"audio_file": "https://example.com/audio.wav"
|
||||
}
|
||||
```
|
||||
|
||||
```bash
|
||||
curl -X POST 'https://token.opencomputing.cn/llmage/v1/audio/transcriptions' \
|
||||
-H 'Authorization: Bearer ***
|
||||
-H 'Content-Type: application/json' \
|
||||
-d '{
|
||||
"model": "qwen3-asr-flash",
|
||||
"catelogid": "asr",
|
||||
"audio_file": "https://example.com/audio.wav"
|
||||
}'
|
||||
```
|
||||
|
||||
### 响应格式
|
||||
|
||||
```json
|
||||
{
|
||||
"text": "识别出的文本内容",
|
||||
"usage": {
|
||||
"duration_seconds": 5.2
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
### 可用模型
|
||||
|
||||
| 模型名称 | model 参数 | 说明 |
|
||||
|---------|-----------|------|
|
||||
| 通义千问 ASR | `qwen3-asr-flash` | 多语种识别、歌唱识别、情感识别、噪声拒识，0.00026元/秒 |
|
||||
| Nvidia ASR | `parakeet-tdt-0.6b-v2` | 仅支持英文，6亿参数，支持标点/大小写/时间戳 |
|
||||
|
||||
### 通义千问 ASR 核心功能
|
||||
|
||||
- 多语种识别：涵盖普通话及多种方言（粤语、四川话等）
|
||||
- 复杂环境适应：自动语种检测与智能非人声过滤
|
||||
- 歌唱识别：伴随BGM下也能实现整首歌曲转写
|
||||
- 上下文增强：通过配置上下文提高识别准确率
|
||||
- 情感识别：支持惊讶、平静、愉快、悲伤、厌恶、愤怒、恐惧
|
||||
|
||||
### 错误响应
|
||||
|
||||
| 状态码 | 说明 |
|
||||
|--------|------|
|
||||
| 400 | 缺少必填参数或模型不存在 |
|
||||
| 403 | 未登录 |
|
||||
| 429 | 账户余额不足 |
|
||||
|
||||
---
|
||||
|
||||
## GET /v1/tasks
|
||||
|
||||
查询异步任务状态（仅用于视频生成等异步任务）。
|
||||
|
||||
Loading…
x
Reference in New Issue
Block a user