ListenHub TTS: 文本转语音

使用 ListenHub OpenAPI 将文本转换为语音。支持三种合成模式，覆盖从短文本到长文本的全场景。

API 信息

• Base URL: https://api.marswave.ai/openapi
• 认证: Authorization: Bearer $LISTENHUB_API_KEY（从环境变量读取）
• 前置检查: 调用任何 API 前先确认 LISTENHUB_API_KEY 环境变量已设置，未设置则提示用户配置

音色选择流程

用户已明确指定音色

直接使用用户指定的 speakerId，跳过选择流程。

用户未指定音色

1. 调用 GET /v1/speakers/list?language=zh 获取可用音色列表
2. 按 AskUserQuestion 展示音色列表供用户选择，格式如下：
   • 默认选中 chat-girl-105-cn（晓曼 dxqqq）
   • 列表展示：{name}（{gender}，{speakerId}）
   • 附带每个音色的 demoAudioUrl 供参考
3. 用户确认后使用选定的 speakerId

默认音色

字段	值
speakerId	chat-girl-105-cn
名称	晓曼 dxqqq

三种合成模式

模式一：快速合成（短文本，单音色）

适用场景： 短文本（< 1000 字），单音色，需要低延迟

接口： POST /v1/tts

请求体：

{
  "text": "要合成的文本",
  "speakerId": "chat-girl-105-cn",
  "format": "mp3",
  "sampleRate": 24000,
  "speed": 1.0
}

参数	类型	必填	说明
text	string	是	要合成的文本
speakerId	string	是	音色 ID
format	string	否	输出格式，默认 mp3
sampleRate	int	否	采样率，默认 24000
speed	float	否	语速，默认 1.0，范围 0.5 ~ 2.0

响应： 直接返回 MP3 二进制流（Content-Type: audio/mpeg）

调用示例：

curl -X POST "https://api.marswave.ai/openapi/v1/tts" \
  -H "Authorization: Bearer $LISTENHUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "你好世界", "speakerId": "chat-girl-105-cn"}' \
  -o output.mp3

模式二：多角色脚本合成

适用场景： 多角色对话、播客、有声书片段，需要不同音色交替朗读

接口： POST /v1/speech

请求体：

{
  "script": [
    {
      "text": "你好，欢迎收听本期节目。",
      "speakerId": "chat-girl-105-cn"
    },
    {
      "text": "谢谢，今天我们来聊聊 AI。",
      "speakerId": "chat-boy-101-cn"
    }
  ],
  "format": "mp3",
  "sampleRate": 24000
}

参数	类型	必填	说明
script	array	是	脚本数组，每项包含 text 和 speakerId
script[].text	string	是	该段文本
script[].speakerId	string	是	该段的音色 ID
format	string	否	输出格式，默认 mp3
sampleRate	int	否	采样率，默认 24000

响应： JSON

{
  "audioUrl": "https://cdn.example.com/output.mp3",
  "duration": 12.5
}

调用示例：

curl -X POST "https://api.marswave.ai/openapi/v1/speech" \
  -H "Authorization: Bearer $LISTENHUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "script": [
      {"text": "你好，欢迎收听。", "speakerId": "chat-girl-105-cn"},
      {"text": "谢谢，我们开始吧。", "speakerId": "chat-boy-101-cn"}
    ]
  }'

模式三：长文本流式合成

适用场景： 长文本（> 1000 字），文章朗读，需要 AI 润色或分段处理

接口： POST /v1/flow-speech/episodes

请求体：

{
  "title": "文章标题",
  "content": "长文本内容...",
  "speakerId": "chat-girl-105-cn",
  "mode": "direct",
  "format": "mp3"
}

参数	类型	必填	说明
title	string	是	音频标题
content	string	否	文本内容（与 contentUrl 二选一）
contentUrl	string	否	内容 URL（与 content 二选一）
speakerId	string	是	音色 ID
mode	string	否	direct（直接合成）或 aiPolish（AI 润色），默认 direct
format	string	否	输出格式，默认 mp3

响应： JSON

{
  "episodeId": "ep_abc123",
  "status": "processing"
}

轮询获取结果：

GET /v1/flow-speech/episodes/{episodeId}

轮询策略：

1. 提交后等待 30 秒
2. 之后每 10 秒轮询一次
3. 直到 status 变为 completed 或 failed

轮询响应：

{
  "episodeId": "ep_abc123",
  "status": "completed",
  "audioUrl": "https://cdn.example.com/output.mp3",
  "duration": 180.5
}

status 值	说明
processing	合成中，继续轮询
completed	合成完成，audioUrl 可用
failed	合成失败，查看 errorMessage

调用示例：

# 提交任务
curl -X POST "https://api.marswave.ai/openapi/v1/flow-speech/episodes" \
  -H "Authorization: Bearer $LISTENHUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "title": "AI 技术趋势",
    "content": "长文本内容...",
    "speakerId": "chat-girl-105-cn",
    "mode": "direct"
  }'

# 轮询结果
curl "https://api.marswave.ai/openapi/v1/flow-speech/episodes/ep_abc123" \
  -H "Authorization: Bearer $LISTENHUB_API_KEY"

音色列表查询

接口： GET /v1/speakers/list

查询参数：

参数	类型	必填	说明
language	string	否	筛选语言，如 zh（中文）、en（英文）

响应：

{
  "speakers": [
    {
      "name": "晓曼 dxqqq",
      "speakerId": "chat-girl-105-cn",
      "demoAudioUrl": "https://cdn.example.com/demo.mp3",
      "gender": "female",
      "language": "zh"
    }
  ]
}

模式选择逻辑

根据用户输入自动选择最合适的模式：

条件	模式
文本 ≤ 1000 字，单音色	模式一：/v1/tts
多角色脚本，需要不同音色	模式二：/v1/speech
文本 > 1000 字，或需要 AI 润色	模式三：/v1/flow-speech/episodes
用户提供 URL 作为内容来源	模式三：/v1/flow-speech/episodes

如果用户明确指定模式，优先使用用户指定的模式。

用户交互

音色选择

当用户未指定音色时，使用 AskUserQuestion 展示音色列表：

请选择音色（默认：晓曼 dxqqq）：
A. 晓曼 dxqqq（女，chat-girl-105-cn）[默认]
B. [其他音色名称]（[性别]，[speakerId]）
C. ...

合成参数

可选询问：

• 语速 speed（默认 1.0）
• 输出格式 format（默认 mp3）
• 长文本模式：direct 还是 aiPolish（默认 direct）
• 输出文件路径（默认 ./output.mp3）

输出

1. 将音频保存到指定路径（默认 ./output.mp3）
2. 输出合成摘要：
   • 使用的模式
   • 音色名称和 ID
   • 音频时长
   • 文件大小
   • 文件路径

错误处理

• 401 Unauthorized: 提示用户检查 LISTENHUB_API_KEY 环境变量
• 400 Bad Request: 检查请求参数，向用户报告具体错误
• flow-speech failed: 报告 errorMessage，建议用户重试或切换模式
• 网络错误: 提示检查网络连接，建议重试

完整示例

用户输入： "把这段文字转成语音：今天天气真好，适合出去散步。"

执行流程：

1. 检查 LISTENHUB_API_KEY ✓
2. 文本长度 < 1000 字，单音色 → 选择模式一 /v1/tts
3. 用户未指定音色 → 默认使用 chat-girl-105-cn（晓曼）
4. 调用 API 合成
5. 保存到 ./output.mp3
6. 输出摘要

用户输入： "用晓曼的声音朗读这篇文章：article.md"

执行流程：

1. 读取 article.md 内容
2. 检查文本长度 > 1000 字 → 选择模式三 /v1/flow-speech/episodes
3. 音色已指定：chat-girl-105-cn（晓曼）
4. 提交合成任务
5. 轮询直到完成
6. 下载音频保存到 ./article.mp3
7. 输出摘要