模型API服务指南
模型API调用指南
音频生成 API文档
IndexTeam/IndexTTS 扩展参数

IndexTeam/IndexTTS 系列模型扩展参数说明

本文档为 IndexTeam/IndexTTS 系列 TTS 模型（例如：IndexTeam/IndexTTS-2）的 特供说明，仅适用于在 UModelverse 平台上通过 /v1/audio/speech 调用这些模型的场景。

  • 基础调用方式、路径、认证方式等，请参考《OpenAI TTS API 调用文档》。
  • 自定义音色（voice_id）相关内容，请参考《自定义音色管理 API 文档》。
  • 本文介绍的部分参数 不属于 OpenAI 官方 TTS 协议的一部分，是 UModelverse 对 IndexTTS 模型的扩展能力，仅在本平台生效。

一、与 OpenAI 标准协议的关系

  • /v1/audio/speech 的 基础字段（如 model、input、voice、response_format、speed、instructions 等）完全兼容 OpenAI 的 TTS 协议，具体含义请参考快速开始文档。
  • 在此基础上，对于 IndexTTS 系列模型，UModelverse 额外支持一组 扩展字段，用于更细粒度地控制：
    • 采样率与音量
    • 情绪控制方式与权重
    • 情绪向量 / 文本
    • 句子划分与静音行为
    • 是否以流式形式返回等
  • 这些扩展字段：
    • 仅在 UModelverse 上调用 IndexTeam/IndexTTS 系列模型时有效；
    • 对官方 OpenAI 端点并无含义，也不保证可直接透传；
    • 不填写时，后台会使用模型侧的默认行为。

建议：如需保持“可以无修改切回官方 OpenAI 端点”的强兼容性，请只使用基础字段； 如希望充分利用 IndexTTS 模型的高级控制能力，可以在 UModelverse 环境下使用本文描述的扩展字段。

二、IndexTTS 扩展字段一览

以下字段在请求体 JSON 中与基础字段处于同一层级，例如：

{
  "model": "IndexTeam/IndexTTS-2",
  "input": "你好，欢迎使用 Modelverse TTS。",
  "voice": "jack_cheng",           // 基础字段
 
  "sample_rate": 24000,             // 扩展字段
  "gain": 1.0,                      // 扩展字段
  "emo_control_method": 1,          // 扩展字段
  "emo_weight": 0.8,                // 扩展字段
  "emo_text": "愉快",              // 扩展字段
  "interval_silence": true          // 扩展字段
}

注意：所有扩展字段均为 可选，不填写时采用默认设置。

2.1 音频与增益相关

字段名类型是否必填默认值说明
speedfloat64否1语音播放速度，范围 0.25-4，不填时使用默认速度。
sample_rateint否22050目标音频采样率。由供应商定义支持的具体取值，如 16000、22050、24000 等。不填时使用模型默认采样率。
gainfloat64否1输出音量增益系数，用于整体放大或减小合成语音的音量。范围建议（0，10]，注意0为静音，不填时使用默认音量。

2.2 情绪控制相关

下列字段配合自定义情绪音频 / 文本提示一起使用，可实现更细粒度的情感控制。具体数值含义由 IndexTTS 供应商定义。

字段名类型是否必填默认值说明
emo_control_methodint否0情绪控制方式的标识（枚举/整数），用于指示模型采用哪种情感控制策略。0：无情绪控制，1：基于情绪音频，2：基于情绪向量，3：基于情绪文本。不填时使用默认情绪控制方式。
emo_weightfloat64否1.0情绪控制权重，指定情感参考音频文件，情感向量，文本情感模式对输出的影响程度。有效范围为 0.0 到 1.0，默认值为 1.0 (100%)。建议在使用文本情感模式时，将 emo_weight 设置为 0.6 左右（或更低），以获得更自然的语音效果。
emo_vecfloat64[]否[0，0，0，0，0，0，0，0]情绪向量表示，可用于在向量空间中精细控制情绪特征。[高兴，生气，悲伤，害怕，厌恶，忧郁，惊讶，平静]，每个维度的值范围为[0，1.2]，且所有维度的值相加不能大于1.5。
emo_textstring否""以自然语言描述情绪的文本提示，例如“愉快”“平静”“激动”等，由供应商作为情绪控制的文字条件输入。
emo_randombool否false是否在情绪控制中引入一定随机性，用于增加多样性或避免每句语音完全一致的情绪表达。具体效果由供应商实现。

2.3 句子划分与静音控制

字段名类型是否必填默认值说明
interval_silenceint否200是否在句子之间插入间隔静音。例如在多句文本合成时，控制句间是否留出停顿。建议设置为200ms，不填时使用模型默认静音策略。
max_text_tokens_per_sentenceint否120单句文本切分的最大 token 数 / 长度阈值。用于在长文本场景下控制内部句子划分策略，建议设置为120，不填时使用模型默认切分策略。

三、示例：带扩展参数的 IndexTTS 调用

下面示例演示如何在保持 OpenAI 调用风格的同时，向 IndexTTS 模型传入扩展参数。

3.1 curl 示例

curl https://api.modelverse.cn/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MODELVERSE_API_KEY" \
  -d '{
    "model": "IndexTeam/IndexTTS-2",
    "input": "你好，这是一段带有愉快情绪的语音示例。",
    "voice": "jack_cheng",
 
    // 以下为 IndexTTS 扩展参数，仅在本平台上对 IndexTTS 系列模型有效
    "sample_rate": 24000,
    "gain": 1.0,
    "emo_control_method": 1,
    "emo_weight": 0.8,
    "emo_text": "愉快",
    "interval_silence": 200,
    "max_text_tokens_per_sentence": 120
  }' \
  --output speech-indextts.wav

3.2 使用自定义音色 + 扩展参数（示意）

VOICE_ID="uspeech:xxxx-xxxx-xxxx-xxxx"  # 通过 /v1/audio/voice/upload 获取
 
curl https://api.modelverse.cn/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MODELVERSE_API_KEY" \
  -d '{
    "model": "IndexTeam/IndexTTS-shizhenfei",
    "input": "你好，我是带情绪的自定义音色示例。",
    "voice": "'$VOICE_ID'",
 
    // IndexTTS 扩展参数
    "emo_control_method": 2,
    "emo_weight": 0.6,
    "emo_random": true,
    "interval_silence": 200,
    "max_text_tokens_per_sentence": 120
  }' \
  --output speech-indextts-custom.wav

说明：

  • 上述示例中的扩展参数值仅为演示用途，实际推荐取值范围与语义，请以供应商提供的文档及试听效果为准。
  • 不传扩展字段时，IndexTTS 模型会采用默认推理配置，行为与快速开始文档中的示例一致。

四、与其他文档的关系

  • 快速开始文档：《OpenAI TTS API 调用文档》适合希望快速接入、只使用标准参数的用户。
  • 自定义音色文档：《自定义音色管理 API 文档》专注描述 voice_id 的上传与管理。
  • 本文档：专门面向需要深度控制 IndexTTS 系列模型行为的用户，说明在 UModelverse 环境下可用的 非 OpenAI 标准扩展字段，不会影响或污染基础的快速开始文档。
OpenAI TTS 兼容自定义音色
Copyright © 2025 沪ICP备12020087号-61