流式语音生成

使用 TTS 1.5 Flash 进行低延迟流式语音生成。该能力与单人语音生成使用相同 Endpoint，通过 version=flash-20260626 和 stream=true 启用。

认证

curl https://api.mosi.cn/v1/audio/speech \
  -H "Authorization: Bearer $MOSS_API_KEY"

支持模型

启用条件与约束

• 必须精确传入小写 model=moss-tts，大小写不会被归一化。
• version 必填，必须传 flash-20260626。
• stream 必填，必须为 true。
• response_format 必填，当前仅支持 pcm。
• stream_format=sse 返回 SSE，每帧为 data: JSON Event。
• 省略 stream_format 或传 audio 时返回原始 PCM 字节流。
• sample_rate 不是公开请求参数，传入非零值会在创建任务前返回参数错误。
• stream=true 不支持和 async=true 同时使用，非空 webhook_url 也不支持流式调用。
• voice_url、voice_data、file_id 不支持流式调用，只能使用 voice_id 指定音色 ID。
• delivery_method 和 aigc_metadata 当前在流式路径中不会生效，请勿传入。

请求字段

请求示例

curl --no-buffer -X POST "https://api.mosi.cn/v1/audio/speech" \
  -H "Authorization: Bearer $MOSS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "moss-tts",
    "version": "flash-20260626",
    "input": "欢迎使用 Mossland API。",
    "voice_id": "<voice_id>",
    "language": "zh",
    "speed": 1,
    "expected_duration_sec": 3,
    "stream": true,
    "response_format": "pcm",
    "stream_format": "sse"
  }'

curl --no-buffer -X POST "https://api.mosi.cn/v1/audio/speech" \
  -H "Authorization: Bearer $MOSS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "moss-tts",
    "version": "flash-20260626",
    "input": "欢迎使用 Mossland API。",
    "voice_id": "<voice_id>",
    "stream": true,
    "response_format": "pcm"
  }' \
  --output speech.pcm

流式响应

stream_format=sse 返回 SSE，每一帧的 data: 后都是一个 JSON Event。type 是事件判别字段，客户端应根据 type 选择对应字段结构。省略 stream_format 或传 audio 时返回原始 PCM 字节流。

部分接入链路会先返回 task.created，部分会直接从 speech.created 开始。客户端必须以每帧的 type 为准，不要依赖固定的首个事件。

SSE Event Types

task.created

speech.created

speech.audio.delta

speech.audio.done

error

原始 PCM 响应头

响应示例

# SSE 响应示例：请求中传 stream_format=sse
Content-Type: text/event-stream; charset=utf-8

# 部分接入链路会省略 task.created，直接从 speech.created 开始
data: {"type":"task.created","task_id":"task-123","object":"audio.speech","status":"PROCESSING","model":"moss-tts"}

data: {"type":"speech.created","format":"pcm","sample_rate":48000,"channels":1,"bit_depth":16}

data: {"type":"speech.audio.delta","audio":"BASE64_PCM_CHUNK"}

data: {"type":"speech.audio.done"}

# 原始 PCM 响应示例：省略 stream_format 或传 stream_format=audio
Content-Type: audio/pcm
X-Sample-Rate: 48000
X-Channels: 1
X-Bit-Depth: 16

<raw pcm bytes>

错误与断连语义

• missing_required_field：input 缺失或去除首尾空白后为空。
• unsupported_response_format / response_format：流式请求未显式使用 pcm，或传入其他音频格式。
• unsupported_stream / stream：stream_format 非 audio/sse，或解析出的模型不支持流式调用。
• unsupported_for_stream / sample_rate：流式请求传入非零 sample_rate。
• invalid_range / speed：speed 不在 0.25-4 范围内。
• unsupported_with_async / stream：stream=true 与 async=true 同时传入。
• unsupported_with_webhook / stream：流式请求传入非空 webhook_url。
• 请求校验、模型解析、流式能力检查和任务创建错误发生在响应开始前，返回标准 JSON 错误。
• SSE 在 speech.audio.done 前失败时发送 error 数据帧并结束连接。
• 原始 PCM 在响应头或音频已写入后失败时只能结束连接，已返回的 PCM 可能不完整。
• 客户端断开会终止当前 HTTP 流；不同接入链路可能取消上游请求，也可能只取消当前订阅。客户端不要假定生成任务一定继续或一定被取消。
• 原始 PCM 场景不能只凭 EOF 判断音频是否完整。

下一步