帮你快速理解、总结文档立即下载
文档中心>实时音视频>AI 实时对话>AI 实时对话 2.0>基础功能>TTS 配置

TTS 配置

最近更新时间：2026-10-29 21:43:33
我的收藏

本页目录：

功能概述

在 Cascade（三段式） 模式下，TTS（文本转语音）是对话链路的第三段，也是 AI 机器人的“嗓音”：接收 LLM 流式输出的回复文本，实时合成语音并回传到 TRTC 房间播报，同时支持被打断。
TTS 段采用 Provider + Params 接入模式，支持：
TRTC 自研 TTS（trtc，默认）：即开即用，无需开通第三方服务，推荐绝大多数场景直接使用。
第三方 TTS（minimax / azure ）：满足指定音色、特定厂商音质的需求。
自定义 TTS（custom）：自研 TTS、私有化部署 TTS，基于 OpenAI TTS 标准协议对接。
说明：
S2S（端到端）模式下，音频由端到端模型直接生成，不存在独立的 TTS 段，无需配置 TTSConfig。

配置结构

创建 AI 对话任务时，通过 TTSConfig 指定 TTS 配置：
字段名
必选
类型
描述
Provider
是
String
TTS 厂商标识：trtc（默认）/ minimax / azure / custom。
Params
是
String
厂商专属参数，JSON 字符串。

TRTC 自研 TTS

Params 参数说明（Provider = trtc）

字段名
类型
必选
描述
Model
String
是
音色模型（TTS 模型参数，仅支持填写"flow_02_turbo"）。
VoiceId
String
是
音色 ID。对于不同的语言，需要填写特定的音色 ID，详细参见 VoiceId 音色说明。
Speed
Float
否
语速，默认 1.0。
Volume
Float
否
音量，范围 0.0-2.0，默认 1.0。
Pitch
Float
否
音高（半音），默认 0.0。

VoiceId 音色说明

VoiceId 为音色 ID，不同语言需填写对应的音色 ID，支持的音色如下：
语言
男生音色
女生音色
中文（zh）
v-male-s5NqE0rZ
v-female-R2s4N9qJ
英语（en）
v-male-X6h4TvP9
v-female-P6q9LmR2
日语（ja）
v-male-J3n8DxK2
v-female-J3k7NxR2
粤语（yue）
v-male-D7p4XcL2
v-female-C5t1QxH9
印度尼西亚语（id）
v-male-B5f2CnS3
v-female-W5n8HgB2
泰语（th）
v-male-B5f2CnS3
v-female-W5n8HgB2
越南语（vi）
v-male-B5f2CnS3
v-female-W5n8HgB2
马来语（ms）
v-male-Q6p8ZxL3
v-female-C8k4NxL6
说明：
印度尼西亚语（id）、泰语（th）、越南语（vi）共用同一组音色。

配置示例

"TTSConfig": {
    "Provider": "trtc",
    "Params": "{\\"Model\\":\\"flow_02_turbo\\",\\"VoiceId\\":\\"v-female-R2s4N9qJ\\",\\"Speed\\":1.0}"
}

第三方 TTS 接入

将 Provider 设置为对应厂商标识（minimax / azure ），并在 Params 中传入该厂商的专属参数（鉴权、模型、音色、语速等），参数规范以对应厂商文档为准。如需接入其他 TTS 厂商，请联系商务。

Minimax 接入示例（Provider = minimax）

点击查看 Minimax 官网文档 。
配置示例：
"TTSConfig": {
    "Provider": "minimax",
    "Params": "{\\"provider\\":\\"minimax\\",\\"api_key\\":\\"<your-api-key>\\",\\"model\\":\\"speech-2.6-hd\\",\\"url\\":\\"https://api.minimaxi.com/v1/t2a_v2\\",\\"voice_setting\\":{\\"voice_id\\":\\"male-qn-qingse\\"}}"
}

Azure 接入示例（Provider = azure）

Params 字段说明：
字段名
含义
subscription_key
密钥。
url
API 地址。
voice
音色 ID。
lang
语言。
rate
语速。
volume
音量。
pitch
语调。
style
情感风格。
点击查看 Microsoft 官网。
配置示例：
"TTSConfig": {
    "Provider": "azure",
    "Params": "{\\"voice\\":\\"zh-CN-XiaoxiaoNeural\\",\\"subscription_key\\":\\"<your-subscription-key>\\",\\"url\\":\\"https://southeastasia.api.cognitive.microsoft.com\\"}"
}

自定义 TTS 接入（Provider = custom）

客户可提供自研 TTS、私有化部署 TTS 或第三方 TTS 服务作为 AI 对话的语音合成模块。接口协议基于 OpenAI TTS 标准协议构建，并针对实时对话场景做了必要扩展（如 PCM 流式输出、采样率/声道控制）。

协议规范

项目
要求
请求方式
HTTP POST
请求路径
/v1/audio/speech（OpenAI TTS 标准路径）
请求格式
JSON Body
鉴权
Authorization: Bearer {api_key}（api_key 由 Params 透传）
响应格式
HTTP 200 + PCM 音频二进制流（Chunked Transfer Encoding）
音频格式
有符号 16-bit Little-Endian PCM

Params 参数说明（Provider = custom）

字段名
类型
必选
描述
url
String
是
TTS 服务 HTTP 接入点。
api_key
String
否
鉴权密钥（映射为 Authorization: Bearer）。
model
String
是
模型标识（如 cosyvoice-v1）。
voice
String
否
音色 ID。
speed
Float
否
语速，范围 0.25-4.0，默认 1.0。
sample_rate
Integer
否
采样率：8000 / 16000（默认）/ 24000 / 48000。
channel
Integer
否
声道：
1（默认，单声道）；
2（双声道）。
custom_headers
Object
否
自定义请求头。
custom_fields
Object
否
厂商扩展参数黑盒透传。

配置示例

"TTSConfig": {
    "Provider": "custom",
    "Params": "{\\"url\\":\\"https://your-tts-service/v1/audio/speech\\",\\"api_key\\":\\"<your-api-key>\\",\\"model\\":\\"cosyvoice-v1\\",\\"voice\\":\\"your-voice-id\\",\\"speed\\":1.0,\\"sample_rate\\":16000,\\"channel\\":1}"
}

接入要点

1. TRTC 侧对 Params 做 JSON 合法性校验但不解析内部字段语义，具体字段映射关系由 AI 后台的自定义 TTS 适配器实现。
2. 建议业务侧 TTS 服务做好流式输出，避免首包延迟过大影响对话体验。
3. 自定义 TTS 服务需按协议返回 HTTP 200 + PCM 二进制流（Chunked），非 200 响应视为合成失败。

音频回传房间

TTS 合成的音频由后台通过回推机器人推入 TRTC 房间，回推机器人通过 AgentConfig.TTSPushRoomParams 指定：
字段名
必选
类型
描述
UserId
是
String
回推机器人的 UserId，长度 1-120（UserSig 由后台自动生成）。
"AgentConfig": {
    "UserId": "ai-bot-001",
    "TTSPushRoomParams": { "UserId": "tts-bot-001" }
}
说明：
对话机器人（AgentConfig.UserId）与回推机器人（TTSPushRoomParams.UserId）需使用不同的用户 ID，客户端订阅回推机器人的音频流即可听到 AI 的回复。

播报内容控制

除 LLM 回复文本外，以下文本同样经 TTS 合成播报：
内容
配置位置
说明
欢迎语
DialogConfig.WelcomeMessage
主播进房后自动播报。
静音追问
DialogConfig.SilenceFollowUpText
静音超时后 Bot 主动追问。
LLM 失败兜底
LLMConfig.FailureMessage
LLM 调用失败时播报，避免对话断档。
括号内容过滤
AgentConfig.FilterBracketsContent
过滤 （微笑）、[开心] 等动作情绪标记，避免被 TTS 念出，详细参见 LLM 配置 > 输出控制。

注意事项

1. TTS 配置不支持热更新：任务创建后无法通过修改任务接口变更 TTSConfig；如需更换音色或厂商，请结束当前任务并重新创建。
2. 仅 Cascade 模式需要配置：S2S 模式由端到端模型直接生成音频，无需 TTSConfig。
3. 音色与语言需匹配：VoiceId 需填写与对话语言对应的音色 ID，语言与音色不匹配会导致合成失败或发音异常。
4. 打断配合：TTS 播报中收到打断指令（自动 / 手动 / 关键词打断）会立即停止播放并清空待播队列，详细参见 （客户端）打断指令。
中国站