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
用 AI 声音做出的播客,是一份脚本加一套演员表:一位主持人、一位嘉宾,也许还有旁白,每个人的声音从第一期到第五十期都保持不变。文本转语音 API 提供声音,你的代码把脚本变成一集节目。给每位说话人分配一个预设音色、一个根据描述设计的音色,或一个经本人同意的克隆音色。每行发一次 POST /v1/audio/speech 请求,然后按顺序把片段拼起来。API 负责说话;把各行合成一个文件只需你自己写几行代码,见下文。先在语音 playground 里试听音色。
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。
Build a script-to-podcast pipeline that speaks each line in its speaker's voice with the Lovely Router speech API and joins the audio into one episode. - Docs (read first): https://lovelyrouter.com/docs/models/speech.md and https://lovelyrouter.com/docs/api/audio.md - One POST https://lovelyrouter.com/v1/audio/speech per line, with each speaker's preset, designed (`instructions`) or saved voice; join the clips in this project (there is no audio join endpoint). - 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 script, the speakers and their voices>
工作原理
写脚本
一份台词列表,每行包含说话人和台词内容。自己写,或者让你密钥上的任意对话模型根据你的笔记以 JSON 起草,然后再修改。
为每位说话人分配音色
选一个预设音色(
ryan、aiden、serena、vivian等),在instructions里描述一个新音色并保存,或用一段 3 到 15 秒的音频配合consent: true克隆音色。保存后的音色会得到一个 id(voice_…),可在每一集里复用。逐行朗读
每行一次请求,带上该说话人的音色,在
qwen3-tts上还可以加一句演绎提示,例如“愉悦,稍快一点”。每个响应就是音频本身,长度在x-lovely-audio-seconds响应头里。把整集拼起来
请求
pcm,两个模型返回的都是 24 kHz 的 16 位原始采样,因此拼接就是追加字节,中间插入一段短暂停顿。给结果套上 WAV 头,或用你自己的工具编码成 MP3。
用 Python 从脚本到成片
import os
import wave
import requests
H = {"Authorization": f"Bearer {os.environ['LOVELY_API_KEY']}"}
VOICES = {
"host": "ryan", # a preset voice
"guest": "voice_8f2c4a1e9b7d3f60a5c2e1d4", # a saved voice (designed or cloned)
}
script = [
("host", "Welcome back to the show. Today we're talking about the history of tea.", "Warm and upbeat"),
("guest", "Thanks for having me. It's a story about empires, smugglers and a lot of boiling water.", "Amused, relaxed"),
("host", "Let's start with the smugglers.", "Curious, a little faster"),
]
RATE = 24_000 # pcm = 16-bit, 24 kHz, mono
pause = b"\x00\x00" * int(RATE * 0.4) # 0.4 s of silence between lines
audio = b""
for speaker, text, style in script:
r = requests.post("https://lovelyrouter.com/v1/audio/speech", headers=H, timeout=300, json={
"model": "qwen3-tts",
"input": text,
"voice": VOICES[speaker],
"instructions": style,
"response_format": "pcm",
})
r.raise_for_status()
audio += r.content + pause
with wave.open("episode.wav", "wb") as f:
f.setnchannels(1)
f.setsampwidth(2)
f.setframerate(RATE)
f.writeframes(audio)每行一次请求,所以某行效果不对时只需重做那一行。超时设得宽裕,是因为空闲一段时间后的第一次请求要等模型加载;文本转语音指南里有同样的调用,用 cURL 和 Node.js 写成。
为每位说话人准备音色
qwen3-tts 有九个,从 uncle_fu(低沉醇厚)到 ono_anna(俏皮轻快);zonos2 有 american_female、american_male 和 british_female。每个音色都能说其模型支持的所有语言,用母语效果最好。
不填 voice,在 instructions 里描述:“一位五十多岁、带轻微苏格兰口音、语速从容的沉稳女性”。设计音色每次出来的结果都略有不同,所以把喜欢的那段用 POST /v1/audio/voices 保存为音色,之后一直用它的 id。
用一段 3 到 15 秒、单人吐字清晰的音频,加上 transcript 和 consent: true 调用 POST /v1/audio/voices。克隆自己的声音,或克隆已同意的联合主持人;克隆音色的使用方式由你负责。见声音克隆。
在 qwen3-tts 上,配合保存或预设音色使用 instructions 可以控制某句话的说法:情绪、语速、耳语。在 zonos2 上,emotion 可取 happy、sad、angry 或 surprised,也可用权重混合。
qwen3-tts 说 10 种语言,包括英语、中文、日语、韩语、西班牙语和德语;zonos2 说 40 种以上。设置 language 有助于处理短句和数字。
API 做什么,你做什么
| 步骤 | 谁 | 怎么做 |
|---|---|---|
| 脚本 | 你,或你密钥上的对话模型 | 每行带一个说话人 |
| 音色 | API | 预设、instructions、POST /v1/audio/voices |
| 每行的音频 | API | POST /v1/audio/speech,每次请求最多 4,096 个字符 |
| 拼接各行 | 你的代码 | 追加 pcm 采样,或用你自己的音频工具拼接文件 |
| 音乐、片头、电平、发布 | 你的工具 | 像对待任何录音一样混音和做母带 |
没有负责拼接音频文件、或一次调用朗读整份多说话人脚本的端点,也没有流式传输:每个请求在音频完整后返回。同一位说话人的长段落可以放在一次请求里(最多 4,096 个字符);它会用同一个音色逐句朗读。
用法示例
把主持人和嘉宾的音色保存一次,把它们的 id 放进配置。每一集听起来都是同样的人。
用同一个设计好的旁白音色把每篇博客文章变成音频,每个小节一次请求,然后把它发布在正文旁边。
用同一个保存的音色,只改 input 和 language,用英语和中文朗读同一份脚本。
给每个角色一个设计音色,并逐行给出 instructions(“低语”“愤怒”),按行保留文件供你的引擎使用。
让对话模型把你当天的数字写成双人总结的 JSON,然后朗读出来。
负责任地使用
只克隆自己的声音或经说话人许可的声音,不要用任何声音欺骗或冒充他人。如果你的节目使用 AI 声音,请告知听众。可接受使用政策适用于每次请求。
常见问题
一次请求能朗读多位说话人吗?+
不能。一次请求只有一个音色。每行或每个说话人轮次发一次请求,然后按顺序拼接音频;上面的 Python 示例用 pcm 做到了这一点。
API 会把整集拼好吗?+
不会。它返回每行的音频。拼接由你完成:追加 pcm 采样,或用你自己的音频工具拼接文件,然后像对待任何录音一样加入音乐和电平。
音色在每一集里听起来都一样吗?+
预设音色或保存的音色会。仅凭 instructions 设计的音色每次都会略有不同,所以把喜欢的一段保存为音色并使用它的 id。
可以克隆嘉宾的声音吗?+
只有获得许可才行。保存音色需要 consent: true,确认声音是你自己的或说话人已同意,其使用方式由你负责。
一行可以多长?+
每次请求最多 4,096 个字符。更长的文本会拆成更多请求;一次请求里的长文本会用同一个音色逐句朗读。
为什么第一次请求很慢?+
语音模型运行在空闲时会休眠的 GPU 上。安静一段时间后的第一次请求在 qwen3-tts 上要等约 45 秒,在 zonos2 上最多 2 分钟。之后,qwen3-tts 的朗读速度约为实时的两倍。
AI 智能体能制作单集吗?+
能。把本页的提示词复制到 Claude Code、Cursor 或 Codex:它会读取 Markdown 文档,并用你的密钥写出从脚本到音频的流水线。