黑色星期五充值赠礼
每笔符合条件的充值都可获赠额度,并可与其他优惠叠加。
11月30日截止
发送文本,取回音频。Lovely Router 在我们自己的 GPU 上提供 OpenAI 的语音端点 POST /v1/audio/speech,背后是两个开放权重的音色模型:Qwen3-TTS 和 ZONOS2。为 OpenAI SDK 写的代码只需改掉 base URL 和密钥就能用;在 OpenAI 的字段之外,你还可以用文字描述一个全新的音色、指定语言,在 ZONOS2 上还能挑选情绪。两个模型都是每分钟音频 $0.036,按秒计费,从与模型调用相同的预付余额中扣除。
交给你的 AI 智能体
把这段提示词复制到 Claude Code、Cursor、Codex 或任何编程智能体中。它会告诉智能体文档在哪里,以及如何使用你的 API 密钥。
Add text to speech to this project with the Lovely Router speech API (OpenAI-compatible). - Docs (read first): https://lovelyrouter.com/docs/models/speech.md and https://lovelyrouter.com/docs/api/audio.md - POST https://lovelyrouter.com/v1/audio/speech with `model`, `input`, `voice` (a preset, an OpenAI voice name or a saved voice id) and optional `instructions`, `response_format`, `speed`, `language`. The answer is the audio file. - The first request after an idle spell can take a while (the model wakes up): use a long client timeout. - Auth: read my API key from the LOVELY_API_KEY environment variable and send it as `Authorization: Bearer $LOVELY_API_KEY`. Never print or commit the key. If it is not set, ask me to create one at https://lovelyrouter.com/app/keys. - Billing is prepaid: every call is charged to my balance, so test with a small request before running anything large. - Every docs page is plain Markdown; the full index is https://lovelyrouter.com/llms.txt. My task: <the text, the language and the voice you want>
选择模型
qwen3-tts | zonos2 | |
|---|---|---|
| 价格 | 每分钟 $0.036 | 每分钟 $0.036 |
| 调整语气的方式 | 用大白话写 instructions:情绪、语速、音量、耳语、口音 | emotion:happy、sad、angry、surprised,或 0 到 1 的权重 |
| 按描述生成新音色 | 支持:省略 voice 并描述它 | 不支持 |
| 预设音色 | 9 个 | 3 个:american_female、american_male、british_female |
| 语言 | 10 种:中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语 | 40+ 种,英语、中文和日语最佳 |
| 采样率 | 24 kHz | 44.1 kHz |
| 预热后的速度 | 约为实时的两倍 | 单个请求约实时,多个并发时更快 |
| 许可 | Apache-2.0,Qwen 团队 | Apache-2.0,Zyphra |
两个模型也都能从一段短录音克隆音色;这有单独的页面:音色克隆 API。
第一个请求
把 OpenAI SDK 指向 https://lovelyrouter.com/v1。响应就是音频文件本身,默认 MP3,除非你要求其他格式;x-lovely-audio-seconds 响应头会给出它的时长。
curl https://lovelyrouter.com/v1/audio/speech \
-H "Authorization: Bearer $LOVELY_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-tts",
"input": "Welcome back! Your order has shipped and should arrive on Thursday.",
"voice": "serena",
"instructions": "Warm and cheerful, a little fast"
}' \
--output welcome.mp3单个请求最多 4,096 个字符的文本。长文本会用同一个音色逐句朗读。
选择音色的四种方式
1. 预设音色。 qwen3-tts 有九个:vivian、serena、uncle_fu、dylan、eric、ryan、aiden、ono_anna 和 sohee,每个都有自己的母语,分布在中文(含北京话和四川话)、英语、日语和韩语之中。每个音色都能说模型支持的每一种语言,说自己的母语时最好。
2. OpenAI 的音色名。 alloy、nova、onyx 等 OpenAI 音色名会映射到最接近的预设,为 OpenAI 音色写的应用可以原样继续工作。
3. 按描述设计的音色。 省略 voice,在 instructions 里描述说话者(年龄、性别、音色、语速、情绪、口音),qwen3-tts 就会据此造一个新音色:
{
"model": "qwen3-tts",
"input": "Ahoy! Lower the sails, we're coming into port.",
"instructions": "A gravelly old pirate captain with a booming voice, amused and a little drunk"
}设计出来的音色每次都会略有不同。遇到喜欢的,把音频保存为音色,之后就用它的 id。
4. 完全不给音色。 既没有 voice 也没有 instructions 时,模型会挑一个适合 language 的预设:在 qwen3-tts 上,中文用 vivian,日语用 ono_anna,韩语用 sohee,其他用 ryan。
控制语气
在 qwen3-tts 上,instructions(最多 1,000 个字符)告诉预设或已保存的音色该怎么说话,可以用任何语言写,就像给旁白演员交代戏一样:"Slow and conspiratorial, half whispering." 在 zonos2 上,emotion 改变语气而说话者不变:"emotion": "sad",或像 {"happy": 0.7, "surprised": 0.3} 这样的混合。给 zonos2 发 instructions,或给 qwen3-tts 发 emotion,会返回 400 并指出该字段。
文本很短或满是数字时,把 language 设成 en、zh、ja 或 pt-br 这样的 ISO 代码;默认的 auto 会自动检测。speed 取值 0.25 到 4.0,改变语速而不改变音高;seed 让输出可复现。
输出格式
response_format | 你会得到 |
|---|---|
mp3(默认) | MP3,128 kbps |
opus | Ogg Opus,64 kbps |
aac | AAC(ADTS) |
flac | FLAC |
wav | WAV,16 位 |
pcm | 原始 16 位小端采样,24 kHz 单声道,与 OpenAI 发送的格式相同 |
音频在完整生成后才返回:没有流式,stream_format: "sse" 会返回 400。
冷启动,直说
两个模型都跑在无人使用时就会休眠的 GPU 上。安静一段时间后的第一个请求要等模型加载:qwen3-tts 约 45 秒,zonos2 最多 2 分钟。之后就是表格里的速度。给 HTTP 客户端设一个能覆盖加载时间的超时;如果在意延迟,就一次连着发一批文本,而不是每小时发一条。等待从不收费,只为生成的音频秒数付费。
费用
两个模型都是每分钟音频 $0.036,按秒计费,每个请求至少一秒。你选的 speed 决定返回多少秒,你就为这些秒数付费。失败的请求不收费,也没有预扣:请求只要求余额为正。每次调用都会带着生成的秒数出现在你的日志里。没有订阅制;同一余额上的其余价目见定价。
需要大批量又要最低价?kokoro-82m 是 hexgrad 的小型开源模型,提供 54 个预置音色(af_heart、bm_george、zf_xiaoxiao 等),支持美式和英式英语、西班牙语、法语、印地语、意大利语、日语、葡萄牙语和中文,没有唤醒等待,每分钟音频 $0.008,按秒计费。它不支持指令、情绪或克隆,返回 MP3、WAV 或 PCM。
需要的是表演而不是朗读?drama-3 是 Fish Audio 的富表现力模型,可在文本任意位置用 [方括号] 写指示([whispering]、[voice breaking]),用 WAV 或 MP3 片段克隆声音,支持 83 种语言,每分钟音频 $0.09。仅返回正常语速的 MP3。
| 模型 | 输入 → 输出 | 价格 |
|---|---|---|
| Qwen3-TTS 1.7B qwen3-tts | text→speech | 每分钟 $0.036 |
| ZONOS2 zonos2 | text→speech | 每分钟 $0.036 |
| Kokoro 82M kokoro-82m | text→speech | 每分钟 $0.008 |
| Fish Audio Drama 3 drama-3 | text→speech | 每分钟 $0.09 |
实时美元价格,与 API 实际收费相同。
常见问题
这与 OpenAI 的语音 API 兼容吗?+
兼容。它就是同一个端点 POST /v1/audio/speech,字段和输出格式都相同,所以官方 OpenAI SDK 可以直接对 https://lovelyrouter.com/v1 使用。OpenAI 的音色名会映射到最接近的预设。额外字段(language、emotion、seed、克隆)都是可选的。
文本转语音多少钱?+
两个模型都是每分钟音频 $0.036,按秒计费,每个请求最低一秒。失败的请求免费。
支持哪些语言?+
qwen3-tts 说 10 种语言:中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语。zonos2 说 40 多种,英语、中文和日语最佳。
为什么我的第一个请求这么慢?+
模型在休眠,需要加载:qwen3-tts 约 45 秒,zonos2 最多 2 分钟。紧接着的请求就很快。等待不计费。
文本可以多长?+
每个请求最多 4,096 个字符,instructions 最多 1,000 个字符。更长的稿子拆成几个请求,用同一个音色。
能在音频生成过程中流式返回吗?+
还不能。音频生成完毕后会在一个响应里返回。