面向开发者的用于语音克隆的 LLM API 详解

语音克隆的两个部分

现代语音克隆应用通常依赖两阶段管道。第一阶段是文本生成，LLM 在此阶段创建将被朗读的脚本、对话或叙述。第二阶段是音频合成，文本转语音 (TTS) 引擎使用克隆的语音配置文件将文本转换为音频。

大多数开发者会 heavily 专注于音频端，优化语音相似性和延迟。然而，最终音频的质量直接取决于文本输入。如果文本包含错误、措辞生硬，或因内容过滤器而被截断，无论你的 TTS 引擎多么先进，音频输出都会受到影响。

文本层充当操作的“大脑”。它负责提示词编写、脚本生成和后处理。通过将文本生成视为独立的 API 集成，你可以更换模型或改进提示词工程，而无需触碰音频基础设施。这种分离使得错误处理更加稳健，并能更好地控制最终进入麦克风的內容。

为何标准 API 无法胜任语音管道

标准 LLM API 是为通用消费者用途设计的，通常意味着它们应用严格的安全过滤。这些过滤对于聊天机器人很有用，但对于语音克隆管道来说是个问题。如果你的克隆语音用于成人内容、创意小说或争议性话题，标准 API 可能会拒绝生成文本或意外修改文本。

例如，标准 API 可能会拒绝生成包含轻度脏话或成熟主题的脚本，即使这些元素对于角色声音至关重要。这会导致音频片段中断或语气不一致。此外，标准 API 经常为了节省成本而提前截断响应，这可能会在思考中途切断句子，导致音频过渡生硬。

构建语音克隆 API 时，你需要一个尊重你内容边界的文本提供商。这意味着一个无审查模型，它直接回答而不进行不必要的说教或过滤。文本 API 应充当透明导管，交付你要求的确切内容，让你的语音模型处理发声，而不受文本层拒绝的干扰。

内容过滤的成本

内容过滤在语音克隆管道中引入隐藏成本。当触发过滤时，API 可能返回错误、部分响应或修改后的脚本。你的应用程序必须重试请求、消耗更多 token 或优雅地处理错误。这增加了延迟并降低了可靠性。

此外，过滤可能会改变文本的含义。安全过滤器可能会将“kill”改为“eliminate”或软化严厉的语气，从而改变语音的情感传递。对于语音克隆，语气至关重要。如果文本与预期情感不匹配，音频输出会感觉脱节。

使用无审查 LLM API 消除了这些意外。你获得请求的原始文本，确保语音模型接收到你计划的确切内容。这种一致性对于维护克隆语音在不同类型内容（从日常对话到戏剧独白）中的完整性至关重要。

无审查文本带来更好的语音

无审查文本 API 并非移除所有规则，而是移除不影响语音质量的任意限制。我们在 https://api.xtts.cc/v1 的 API 提供无审查大型语言模型，旨在回答时不进行内容拒绝，适用于合法的成人用途。唯一的硬性限制是拒绝涉及未成年人的性内容，这是标准的法律要求。

这种方法确保你的语音克隆管道可以处理你提供的任何脚本。无论你是为电子游戏、播客还是有声书生成对话，文本 API 都会按预期交付内容。该模型是开放权重模型，运行在我们自己的服务器上，经过调整以提供一致的高质量文本输出。

通过使用无审查模型，你可以完全控制你的内容。你不必担心特定的单词或短语是否会触发过滤。这种可预测性允许你构建更稳健的语音应用，能够处理更广泛的内容类型而不会中断。

文本输入的技术要求

将文本 API 集成到语音克隆管道时，你需要考虑上下文窗口大小和 token 限制。我们的 API 支持 100,000 token 的上下文窗口，允许长脚本或复杂的提示词历史。每次请求没有单独的输出上限，足以满足大多数语音生成任务。

该 API 与 OpenAI 兼容，这意味着你可以使用官方 SDK 和客户端库，只需进行少量更改。只需更新 base URL 为 https://api.xtts.cc/v1 并提供你的 API 密钥即可。这种兼容性允许你使用熟悉的工具和工作流，降低开发者的学习成本。

我们按每 1M 输入 token $0.15 和每 1M 输出 token $0.50 收费。额度为预付额度且永不过期。错误和拒绝不收费，因此你只为实际生成的文本付费。这种定价模型透明且可预测，使你可以轻松估算语音克隆应用的成本。

流式输出用于实时 TTS

对于实时语音应用，流式文本至关重要。我们的 API 支持通过服务器发送事件 (SSE) 进行流式输出，允许你接收生成的文本 token。这降低了延迟，提供了更流畅的用户体验。

流式输出还允许你在文本仍在生成时开始合成音频。这种并行处理可以显著减少生成音频片段的总时间。流的最后一个块包含 token 使用信息，因此你可以实时跟踪成本。

要实现流式输出，请在 API 请求中使用 stream 参数。SDK 将处理事件解析，将 token 交付给你的应用程序。对于延迟至关重要的应用（如交互式语音助手或现场旁白），此功能至关重要。

函数调用用于脚本生成

函数调用是自动化脚本生成和后处理的强大功能。我们的 API 支持函数调用，允许你为模型定义特定任务，例如格式化文本、提取实体或翻译脚本。

例如，你可以定义一个函数来清理用于 TTS 的文本，移除可能导致停顿生硬的标点符号。模型随后将调用此函数并返回格式化后的文本。这确保文本针对语音合成进行了优化，提高了音频输出的自然度。

函数调用还允许更结构化的输出。你可以请求模型返回 JSON，这可以被你的应用程序轻松解析。这对于生成元数据（如情感标签或语音提示）很有用，这些可以传递给 TTS 引擎。

选择合适的文本提供商

为你的语音克隆 API 选择文本提供商时，请考虑以下因素：

• 无审查模型： 确保模型不会基于常见的安全过滤器拒绝内容。
• OpenAI 兼容： 选择与现有 SDK 和工具兼容的 API。
• 上下文窗口： 大的上下文窗口允许更长的脚本和更复杂的提示词。
• 定价： 寻找透明、基于使用的定价，没有隐藏费用。

我们的 API 符合所有这些标准。它是一个无审查模型，拥有 100,000 token 的上下文窗口，兼容 OpenAI SDK，输入 token 价格为每 1M 个 $0.15，输出 token 价格为每 1M 个 $0.50。额度通过加密货币（TRC20 上的 USDT 或 Base 上的 USDC）充值，试用无需绑定银行卡。

结论：文本质量决定语音质量

你的语音克隆应用的质量最终由文本输入的质量决定。一个健壮的文本 API 能确保你的脚本准确、完整且不受任意限制。通过选择无审查且兼容 OpenAI 的 API，你可以构建可靠、可扩展且忠于内容的语音流水线。

首先将我们的 API 集成到你的流水线中。生成脚本，格式化文本，然后将输出传递给 TTS 引擎。你会注意到克隆语音的一致性和自然度有显著提升。文本层是语音克隆 API 的基础，选择合适的提供商将在最终音频质量上获得回报。

更多指南

• TTS API Python：使用 SDK 准备语音文本
• 免费 TTS API：$0.50 试用额度涵盖内容（仅限文本）
• TTS API 演示：实时请求与响应示例