跳转到主要内容

​
语音模型

语音模型连接了音频和文本两种输入输出形态，既支持自动语音识别（ASR），也支持文本转语音（TTS）。两者都通过标准的 Chat Completions 接口（/chat/completions）调用，因此可以方便地接入转写流程、语音助手和无障碍工具。 代表模型： bosonai/asr（语音转文本）、bosonai/tts（文本转语音）。完整列表与定价请参见 模型广场。

​
1. 使用场景

  • 转写：将会议、通话、讲座或语音笔记转换为可检索的文本。
  • 语音助手：结合 ASR、LLM 与 TTS，构建对话式语音体验。
  • 字幕与说明文字：为视频和音频内容生成字幕。
  • 无障碍：朗读内容，或让用户通过语音而非打字进行交互。

​
2. 使用方式

这两类模型都通过 /chat/completions 接入点和 messages 数组调用，与聊天模型的请求方式类似，区别主要在于输入和输出内容：
  • 文本转语音（TTS）：将待朗读文本作为普通用户消息发送。生成的音频会出现在 choices[0].message.audio.data 字段中，格式为 base64 编码的 WAV；解码后写入文件即可播放。
  • 语音转文本（ASR）：将音频以 input_audio 类型的内容片段发送（包含 base64 数据及 wav 等 format 信息）。转写结果会以纯文本形式返回在 choices[0].message.content 中。
支持的音频格式以及最大文件大小或时长因模型而异；请参见 模型广场 → 模型详情。

​
3. 关键参数

  • TTS：model（bosonai/tts）以及一条包含待朗读文本的用户 messages 条目。音频返回在 message.audio.data 下（base64 WAV）。
  • ASR：model（bosonai/asr）以及一条用户消息，其 content 为包含 {"type": "input_audio", "input_audio": {"data": "<base64>", "format": "wav"}} 的数组。

​
4. 计费与配额

  • 语音模型通常按音频时长或处理的字符数/token 数计费，具体取决于模型。确切的计价单位请查看 模型广场 → 模型详情。
  • 建议：对于较长录音，建议先切分为多个片段，再分段处理，以降低超时和重试成本。

​
5. 示例

​
5.1 文本转语音（TTS）

import os
import base64
import requests

api_key = os.getenv("API_KEY") or "<YOUR API KEY>"
api_url = "https://api.siflow.cn/model-api/chat/completions"

response = requests.post(
    api_url,
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json={
        "model": "bosonai/tts",
        "messages": [
            {"role": "user", "content": "Welcome to the Siflow Model Inference API."}
        ],
    },
)

audio_b64 = response.json()["choices"][0]["message"]["audio"]["data"]
with open("welcome.wav", "wb") as f:
    f.write(base64.b64decode(audio_b64))
print("Saved welcome.wav")

​
5.2 语音转文本（ASR）

import os
import base64
import requests

api_key = os.getenv("API_KEY") or "<YOUR API KEY>"
api_url = "https://api.siflow.cn/model-api/chat/completions"

with open("welcome.wav", "rb") as f:
    audio_b64 = base64.b64encode(f.read()).decode()

response = requests.post(
    api_url,
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json={
        "model": "bosonai/asr",
        "messages": [
            {
                "role": "user",
                "content": [
                    {"type": "input_audio", "input_audio": {"data": audio_b64, "format": "wav"}}
                ],
            }
        ],
    },
)

print(response.json()["choices"][0]["message"]["content"])
  • 支持的音频格式与大小限制因模型而异；请参见 模型广场 → 模型详情。
  • 对于长音频，将其切分为较短的片段有助于保持在限制范围内并降低超时风险。