供应商与模式Z.ai

GLM TTS

GLM TTS
Z.ai · Audio Generation
POST /v1/audio/speech

基于LLM的text-to-speech，支持从3到10秒音频中零声量克隆，并通过多奖励强化学习实现情感表达、可控输出。

一眼看

场地价值
型号IDglm-tts
车型发布日期2025-12-11
输入模态文本，音频
输出模态音频
上下文窗口-
重量精度INT8 / FP16
特色voice_cloning，emotion_control
本土推断是的
新不
支持的端点POST /v1/audio/speech

定价

冲锋规格速率
快速（智力8）每1000字符$0.20
质量（FP16）每1000字符$0.21

示例请求

$curl https://api.empiriolabs.ai/v1/audio/speech \
>  -H 'Authorization: Bearer $EMPIRIOLABS_API_KEY' \
>  -H 'Content-Type: application/json' \
>  -d '{"model": "glm-tts", "input": "Hello from EmpirioLabs."}'

参数

参数类型必修默认描述
input弦是的-文本要综合。多扬声器使用[S1] / [S2]标签或“扬声器N：”线。
voice枚举不"emma"emma=英语女性，james=美国男性，arthur=美国男性替代，xiaomei=中国女性，jigang=中国男性，custom=通过voice_audio_url上传参考。·允许：emma、james、arthur、xiaomei、zhigang、custom
voice_audio_url弦不-参考音频链接，用于自定义语音克隆。参考录音必须包含说话者用自己的声音朗读这句同意短语：“我同意Empirio Labs克隆我的声音以生成合成语音。我了解到我的声音样本将被用来制作个性化音频内容。”没有短语的参考音频被拒绝。
output_format枚举不"mp3"输出媒体文件格式（mp3、wav、mp4、png、jpg 等，取决于终端）。·允许：mp3，wav
speed人数不1.0说话率乘数。·范围：0.5 – 2.0
model_quality枚举不"quality"质量=FP16（更好），快速=INT8（更快）·允许：quality，fast
sample_rate枚举不"24000"输出采样率以Hz为单位。允许：24000，16000
volume人数不1.0输出增益倍增器。·范围：0.1 – 2.0
use_cache布尔值不确实如此加快了重复的同代。
optimize_input布尔值不确实如此技术术语、缩略词和特殊字符的自动发音。
seed人数不-可重复性种子。

注释

极限

  • 最大输入：5000字符
  • 生成时间：5-10分钟

声音克隆

  • 参考音频：3-10秒
  • 接受格式：WAV、MP3、OGG、FLAC、AAC、M4A、WebM

预设声音

  • 艾玛（英语女）
  • 詹姆斯（美国男）
  • 亚瑟（英国男）
  • 小美（中文 F）
  • 志刚（中文：男性）

Machine可读模式： GET https://api.empiriolabs.ai/v1/models/glm-tts。