阅读器与客户端接入

面向 AngeReader、Koodo 与自定义客户端的能力发现、TTS、克隆和流式播放。

本文档面向 AngeReader / Koodo / 自定义阅读器 开发者，说明如何通过 AngeVoice TTS API 实现文本朗读、语音克隆和流式播放。

快速接入

1. 获取 TTS 能力

GET /v1/tts/capabilities

返回当前模型支持的编码格式、音色列表和音频参数：

{
  "model": { "id": "kokoro", "formats": ["wav", "pcm", "mp3"] },
  "encodings": ["binary", "base64"],
  "voices": [
    {
      "id": "zm_010",
      "display_name": "中文男声 010",
      "gender": "male",
      "roles": ["male"]
    }
  ]
}

2. 基础 TTS 调用

POST /v1/audio/speech
Content-Type: application/json

{
  "model": "kokoro",
  "input": "要朗读的文本",
  "voice": "zm_010",
  "response_format": "wav",
  "response_encoding": "base64"
}

参数说明：

3. Base64 响应格式

设置 response_encoding=base64 后返回 JSON：

{
  "request_id": "...",
  "model": "kokoro",
  "voice": "zm_010",
  "response_format": "wav",
  "media_type": "audio/wav",
  "encoding": "base64",
  "audio": "<raw base64>",
  "audio_base64": "data:audio/wav;base64,<base64>",
  "sample_rate": 24000,
  "channels": 1,
  "bytes": 123456
}

WebView 播放提示： 直接将 audio_base64 赋值给 <audio>.src 即可播放，无需额外解码。

4. 音色详情

GET /v1/audio/voices?detail=true

返回每个音色的性别和显示名，适合阅读器音色选择 UI：

[
  {
    "id": "zm_010",
    "display_name": "中文男声 010",
    "gender": "male",
    "roles": ["male"]
  },
  {
    "id": "zf_010",
    "display_name": "中文女声 010",
    "gender": "female",
    "roles": ["female"]
  }
]

MOSS 语音克隆

POST /api/tts
Content-Type: multipart/form-data

text=要朗读的文本
model=moss
voice=custom
prompt_audio=@reference.wav
response_encoding=base64

克隆场景下 prompt_audio 传参考音频文件，服务端会自动提取说话人特征。

ZipVoice 临时克隆还需要同时传入与参考录音完全对应的 prompt_text；更推荐先在 Studio 保存音色，再由阅读器使用保存后的音色 ID 调用 zipvoice。

流式播放（WebSocket）

WS /ws/v1/tts

发送：

{
  "model": "kokoro",
  "input": "长文本...",
  "voice": "zm_010",
  "format": "pcm"
}

服务端以小包推送音频片段，适合边下边播。

认证

如服务端启用了 KOKORO_API_KEY，所有请求需携带：

Authorization: Bearer <your-api-key>

常见问题

在 GitHub 查看原始文档 ↗