文本转语音

Knox 在 https://api.knoxstudio.ai/v1 上为 KnoxStudio 提供与 ElevenLabs 兼容的文本转语音接口。使用 Knox API key 认证（Authorization: Bearer sk-... 或 xi-api-key）。https://api.knox.chat/v1 提供相同路由。

这不是 实时语音 的语音到语音，也不是把音频送进 /v1/chat/completions。TTS 是把文本变成音频。

典型流程：

1. 列出模型 — GET /v1/text-to-speech/models
2. 从 音色 选择 voice_id（GET /v1/voices 或 GET /v2/voices）
3. 合成 — POST /v1/text-to-speech/{voice_id}

https://api.knoxstudio.ai/v1
Authorization: Bearer sk-...

常用公开音色示例：21m00Tcm4TlvDq8ikWAM（Rachel）。

模型与计费

curl https://api.knoxstudio.ai/v1/text-to-speech/models

model_id	延迟 / 用途	最大字符数	价格
eleven_multilingual_v2	默认，29 种语言	10,000	每千字符 $0.15
eleven_v3	表现力最强，70 余种语言	5,000	每千字符 $0.15
eleven_v3_conversational	语音代理，约 280ms	5,000	每千字符 $0.10
eleven_flash_v2_5	超低延迟多语言，约 75ms	40,000	每千字符 $0.10
eleven_flash_v2	超低延迟英语，约 75ms	30,000	每千字符 $0.10
eleven_turbo_v2_5	已弃用，建议改用 Flash v2.5	40,000	每千字符 $0.10
eleven_turbo_v2	已弃用，建议改用 Flash v2	30,000	每千字符 $0.10

默认 model_id 为 eleven_multilingual_v2。未认证的目录请求限制为每分钟 60 次，并且可能被缓存 5 分钟。

生成语音

text 必填。流式变体不支持 WAV 的 output_format。

cURL

curl -X POST "https://api.knoxstudio.ai/v1/text-to-speech/21m00Tcm4TlvDq8ikWAM?output_format=mp3_44100_128" \
     -H "Authorization: Bearer $KNOXCHAT_API_KEY" \
     -H "Content-Type: application/json" \
     -o speech.mp3 \
     -d '{
  "text": "你好，这里是 Knox 文本转语音。",
  "model_id": "eleven_multilingual_v2"
}'

Python

import os
import requests

voice_id = "21m00Tcm4TlvDq8ikWAM"
response = requests.post(
    f"https://api.knoxstudio.ai/v1/text-to-speech/{voice_id}",
    headers={
        "Authorization": f"Bearer {os.environ['KNOXCHAT_API_KEY']}",
        "Content-Type": "application/json",
    },
    params={"output_format": "mp3_44100_128"},
    json={
        "text": "你好，这里是 Knox 文本转语音。",
        "model_id": "eleven_multilingual_v2",
        "voice_settings": {
            "stability": 0.5,
            "similarity_boost": 0.75,
            "speed": 1.0,
        },
    },
)
response.raise_for_status()
open("speech.mp3", "wb").write(response.content)

相关端点

目标	端点
列出 / 搜索音色	GET /v1/voices、GET /v2/voices
流式音频	POST /v1/text-to-speech/{voice_id}/stream
字符级时间戳	POST /v1/text-to-speech/{voice_id}/with-timestamps
流式 + 时间戳	POST /v1/text-to-speech/{voice_id}/stream/with-timestamps
WebSocket 分块文本	/v1/text-to-speech/{voice_id}/stream-input
多个并发上下文	/v1/text-to-speech/{voice_id}/multi-stream-input

全文已知时使用 HTTP 合成。文本分块到达时（例如 LLM 流式输出）使用 WebSocket。对 WebSocket 路径发送普通 HTTP 会返回 400。

可选 voice_settings：stability（默认 0.5）、similarity_boost（0.75）、style（0）、speed（1.0）、use_speaker_boost（true）。最多 3 个 pronunciation_dictionary_locators，以及最多 3 个 previous_request_ids / next_request_ids。seed 范围为 0–4294967295。

apply_text_normalization 为 auto、on 或 off。language_code 为 ISO 639-1，对 eleven_multilingual_v2 会被忽略。

错误

422 使用 { "detail": [{ "loc": [...], "msg": "...", "type": "value_error" }] }。其他错误使用 { "detail": "..." }。

常见状态：401 缺少或无效的 key、402 余额不足、403 无权使用该模型、422 缺少 text、超出字符上限或 output_format 无效。