為開發者解說的語音克隆 LLM API

語音克隆的兩個部分

現代語音克隆應用程式通常依賴兩階段管線。第一階段是文字生成，由 LLM 建立將被朗讀的腳本、對話或敘事。第二階段是語音合成，由語音合成 (TTS) 引擎將該文字轉換為使用克隆語音設定檔的音訊。

大多數開發者高度著重於音訊端，針對語音相似性和延遲進行最佳化。然而，最終音訊的品質直接取決於文字輸入。如果文字包含錯誤、語句生硬，或因內容過濾器而被截斷，無論你的 TTS 引擎多先進，音訊輸出都會受影響。

文字層扮演運作的核心。它處理提示詞撰寫、腳本生成與後處理。將文字生成視為獨立的 API 整合，您可以更換模型或改進提示詞工程，而不需更動音訊基礎設施。這種分離允許更穩健的錯誤處理，並更好地控制傳送至麥克風的內容。

為何標準 API 無法滿足語音管線

標準 LLM API 設計用於一般消費者用途，通常意味著它們套用嚴格的安全過濾。這些過濾對聊天機器人很有用，但對語音克隆管線卻成問題。如果您的克隆語音用於成人內容、創意小說或爭議性主題，標準 API 可能會拒絕生成文字或意外修改它。

例如，標準 API 可能會拒絕生成包含輕度髒話或成熟主題的腳本，即使這些元素對角色語音至關重要。這會導致音訊片段斷裂或語調不一致。此外，標準 API 經常為了節省成本而提前截斷回應，這可能在中途切斷句子，導致音訊轉換生硬。

在建立語音克隆 API 時，你需要一個尊重內容邊界的文字供應商。這意味著使用無審查模型，直接回答而不進行不必要的說教或過濾。文字 API 應作為透明管道，精確提供你所要求的內容，讓語音模型處理發音，而不受文字層級拒絕的干擾。

內容過濾的代價

內容過濾在語音克隆管線中引入隱藏成本。當觸發過濾時，API 可能返回錯誤、部分回應或修改後的腳本。您的應用程式必須重試請求、消耗更多 token，或優雅地處理錯誤。這會增加延遲並降低可靠性。

此外，過濾可能會改變文字含義。安全過濾可能會將「殺死」改為「消除」或柔化嚴厲的語調，改變語音的情感傳遞。對於語音克隆，語調至關重要。如果文字不符合預期的情感，音訊輸出會感覺脫節。

使用無審查 LLM API 可消除這些意外。您會獲得請求的原始文字，確保語音模型收到您計劃的準確內容。這種一致性對於維護克隆語音在不同類型內容（從閒聊到戲劇性獨白）的完整性至關重要。

無審查文字帶來更好的語音

無審查文字 API 並非移除所有規則，而是移除不影響語音品質的任意限制。我們在 https://api.xtts.cc/v1 的 API 提供一個無審查大型語言模型，設計用於在合法成人用途下無內容拒絕地回答。唯一的硬性限制是拒絕涉及未成年人的性內容，這是標準的法律要求。

這種方法確保您的語音克隆管線可以處理您提供的任何腳本。無論您是為電子遊戲、播客或有聲書生成對話，文字 API 都會按預期交付內容。該模型為開放權重模型，運行在我們自己的伺服器上，經過調校以提供一致的高品質文字輸出。

使用無審查模型，你可完全掌控內容。你不必擔心特定字詞或短語會觸發過濾機制。這種可預測性讓你能建構更穩健的語音應用程式，在不崩潰的情況下處理更廣泛的內容類型。

文字輸入的技術需求

在將文字 API 整合到語音克隆管線時，您需要考慮上下文視窗大小與 token 限制。我們的 API 支援 100,000 token 的上下文視窗，允許長腳本或複雜的提示詞歷史。每次請求沒有單獨的輸出上限，足以滿足大多數語音生成任務。

此 API 與 OpenAI 相容，意味著你可以使用官方 SDK 和用戶端程式庫，僅需少量修改。只需將基底 URL 更新為 https://api.xtts.cc/v1 並提供你的 API 金鑰。此相容性允許你使用熟悉的工具和流程，降低開發者的學習曲線。

我們收取每 100 萬個輸入 token $0.15，每 100 萬個輸出 token $0.50。額度為預付額度且永不過期。錯誤與拒絕請求免費，因此你只需為實際生成的文字付費。此定價模型透明且可預測，便於你估算語音克隆應用的成本。

串流文字用於即時語音合成

對於即時語音應用程式，串流文字至關重要。我們的 API 支援透過伺服器發送事件 (SSE) 進行串流輸出，允許您在生成時接收文字 token。這減少了延遲並提供更流暢的使用者體驗。

串流還允許您在文字仍在生成時開始合成音訊。這種並行處理可以顯著減少生成音訊片段的總時間。串流的最後一個區塊包含 token 使用資訊，以便您可以即時追蹤成本。

要實作串流輸出，請在 API 請求中使用 stream 參數。SDK 將處理事件解析，在 token 到達時將其交付給你的應用程式。此功能對於延遲至關重要的應用程式（如互動式語音助手或即時旁白）至關重要。

使用函式呼叫生成腳本

函式呼叫是自動化腳本生成與後處理的強大功能。我們的 API 支援函式呼叫，允許您為模型定義特定任務，例如格式化文字、提取實體或翻譯腳本。

例如，您可以定義一個函式來清理用於 TTS 的文字，移除可能導致停頓的標點符號。模型隨後會呼叫此函式並返回格式化後的文字。這確保文字針對語音合成進行優化，提高音訊輸出的自然度。

函式呼叫也允許更結構化的輸出。您可以要求模型返回 JSON，這可以輕鬆地被您的應用程式解析。這對於生成元數據（如情感標籤或語音提示）很有用，這些可以傳遞給 TTS 引擎。

選擇合適的文字供應商

為您的語音克隆 API 選擇文字供應商時，請考慮以下因素：

• 無審查模型： 確保模型不會基於常見的安全過濾拒絕內容。
• OpenAI 相容性： 選擇與現有 SDK 和工具協作的 API。
• 上下文視窗： 大的上下文視窗允許更長的腳本和更複雜的提示詞。
• 定價： 尋找透明、基於使用的定價，沒有隱藏費用。

我們的 API 符合所有這些標準。它是一個無審查模型，擁有 100,000 token 的上下文視窗，與 OpenAI SDK 相容，費率為每 1M 輸入 token $0.15 及每 1M 輸出 token $0.50。額度可透過加密貨幣（TRC20 上的 USDT、Base 上的 USDC）儲值，試用期間無需卡片。

結論：文本品質決定語音品質

你的語音克隆應用程式的品質最終取決於輸入文本的品質。強大的文本 API 能確保你的腳本準確、完整且不受任意限制。選擇無審查且與 OpenAI 相容的 API，你可以建立可靠、可擴展且忠實於內容的語音管線。

首先將我們的 API 整合到你的管線中。生成腳本、格式化文本，並將輸出傳遞給你的 TTS 引擎。你會發現克隆語音的一致性和自然度有顯著提升。文本層是語音克隆 API 的基礎，投資正確的供應商將在最終音訊品質上獲得回報。

更多指南

• TTS API Python：使用 SDK 準備語音文本
• 免費 TTS API：$0.50 試用涵蓋內容（僅文字）
• TTS API 演示：即時請求與回應範例