音频模型

通过同一个 Atlas Cloud 端点合成语音、创作音乐、转写录音。涵盖 Seed Audio、ElevenLabs、MiniMax、Gemini TTS、Suno、Seed ASR 与 xAI STT。

Atlas Cloud 通过单一端点提供三类音频能力——语音合成、音乐生成和语音转文本。具体走哪一类由你选择的模型决定，而不是由 URL 决定。

POST https://api.atlascloud.ai/api/v1/model/generateAudio

平台上没有 /v1/audio/speech 或 /v1/audio/transcriptions 端点。如果你要从 OpenAI SDK 迁移代码，音频调用不能一一对应——它们走的是下面介绍的异步预测任务流程。

工作方式

音频请求和图像、视频生成一样是异步的：

提交任务。 向 generateAudio 发起 POST 请求，带上 model，并把该模型自己的参数平铺在顶层。

拿到 prediction ID。 响应会返回 data.id 和 data.status。

轮询获取结果。 调用 GET /api/v1/model/prediction/{id}，直到 status 进入终态；也可以注册 webhook，改为接收 audio.task.terminal 事件。

完整的状态机参见预测任务，回调配置参见 Webhook。

转写结果和歌词结果是文本，不是 URL。 对大多数音频模型来说，outputs[0] 是生成文件的链接。但对语音转文本和歌词生成模型，outputs[0] 里装的就是文本本身——而且偶尔看起来会很像一个 URL。不要不加判断地把 outputs[0] 当作可下载的地址；请按模型类型分支处理。

语音合成

从文本合成语音。可用模型包括 Seed Audio、ElevenLabs、MiniMax Speech、Gemini TTS 和 xAI TTS。

示例：Seed Audio 1.0

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "bytedance/seed-audio-1.0",
    "text": "Welcome to Atlas Cloud.",
    "format": "mp3",
    "sample_rate": 24000
  }'

参数	必填	默认值	说明
`text`	是	—	要合成的文本
`references`	否	—	最多 3 段音色参考，或者单张图片参考。每一项只能使用一个来源，音频参考和图片参考不能混用
`format`	否	`mp3`	`mp3`、`wav`、`pcm`、`ogg_opus`
`sample_rate`	否	`24000`	8000、16000、24000、32000、44100、48000
`pitch_rate`	否	`0`	−12 到 12
`speech_rate`	否	`0`	−50 到 100（100 = 2.0 倍速，−50 = 0.5 倍速）
`loudness_rate`	否	`0`	−50 到 100

要克隆或引用某个音色，附上参考音频片段，并在文本中指向它：

{
  "model": "bytedance/seed-audio-1.0",
  "text": "Use the voice of @audio1 and say: your order has shipped.",
  "references": [{ "audio_url": "https://example.com/sample-voice.mp3" }]
}

参考音频片段不得超过 30 秒，且小于 10 MB。

音乐生成

创作完整曲目，可带人声也可不带。平台提供 Suno Chirp 和 MiniMax Music，另有专门的歌词写作模型。

示例：Suno Chirp v5

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "suno/chirp-v5",
    "prompt": "an upbeat indie pop song about summer road trips",
    "vocal_gender": "Female"
  }'

参数	必填	默认值	说明
`prompt`	通常需要	—	当 `custom: false` 时，这是对歌曲的描述；当 `custom: true` 时，这里放的是歌词
`custom`	否	`false`	`false` = 描述歌曲，`true` = 提供你自己的歌词
`instrumental`	否	`false`	生成纯伴奏（无人声）
`vocal_gender`	否	—	`Male` 或 `Female`。两种模式下都生效
`title`、`style`、`negative_tags`、`style_weight` 及相关字段	否	—	仅在 `custom: true` 时生效——否则会被静默忽略

Chirp v5 每次请求返回两条曲目，并在 thumbnail 中附带一张生成的封面图。除非同时设置 custom: true 和 instrumental: true，否则 prompt 是必填的。

如果想先写词再作曲，可以先调用 minimax/lyrics-generation 这类歌词模型，再把它的输出传给音乐模型的 lyrics 字段。

语音转文本

转写录音，可选择开启说话人分离和词级时间戳。

两个转写模型使用不同的音频输入字段名：Seed ASR 用 audio_url，xAI STT 用 audio。传错会导致参数校验失败。

示例：Seed ASR 2.0

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "bytedance/seed-asr-2.0",
    "audio_url": "https://example.com/interview.mp3",
    "enable_punc": true,
    "enable_speaker_info": true,
    "show_utterances": true
  }'

参数	必填	默认值	说明
`audio_url`	是	—	公开 URL 或 Base64。支持 wav/mp3/ogg/raw
`format`	否	`mp3`	`mp3`、`wav`、`ogg`、`raw`
`language`	否	自动	留空则自动检测。支持 51 种语言
`enable_itn`	否	`true`	逆文本正则化（把“一百”转成“100”）
`enable_punc`	否	`false`	添加标点符号
`enable_ddc`	否	`false`	平滑处理语气词和重复内容
`enable_speaker_info`	否	`false`	说话人分离，最多 10 人
`show_utterances`	否	`false`	返回带时间戳的分句
`context`	否	—	内联热词。必须是 JSON 字符串：`{"hotwords":[{"word":"Atlas"}]}`。这里传纯文本会导致任务失败

示例：xAI STT v1

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "xai/stt-v1",
    "audio": "https://example.com/interview.mp3",
    "diarize": true,
    "text_normalization": true
  }'

参数	必填	默认值	说明
`audio`	是	—	公开 URL 或 Base64。容器格式会自动识别
`language`	否	自动	ISO 639-1。支持 24 种语言
`text_normalization`	否	`false`	把“one hundred dollars”转成“$100”
`keyterm`	否	`[]`	最多 100 个偏置词，每个不超过 50 个字符
`diarize`	否	`false`	说话人分离，为每个词添加 `speaker_id`
`filler_words`	否	`false`	保留“um”“uh”等语气词（默认会移除）
`multichannel`	否	`false`	分声道独立转写

读取结果

{
  "code": 200,
  "data": {
    "id": "…",
    "status": "completed",
    "outputs": ["Thanks for joining the call today…"],
    "stt_result": {
      "text": "Thanks for joining the call today…",
      "duration": 184.2,
      "words": [
        { "text": "Thanks", "start": 0.12, "end": 0.41, "speaker_id": "1" }
      ]
    }
  }
}

outputs[0] 里是纯文本转写结果。结构化输出——时间轴、说话人、识别出的语言——都在 stt_result 中。

提供音频输入

音频输入字段既接受公开的 HTTPS URL，也接受 Base64 data URI。Base64 输入会被自动存储，并在请求到达模型之前替换为 URL。

对于本地文件，请先上传再使用返回的 URL：

curl -X POST https://api.atlascloud.ai/api/v1/model/uploadMedia \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -F "[email protected]"

限制和细节参见上传文件。

计费

音频模型有三种计费方式，具体取决于模型：

计费方式	适用范围	计费依据
按每 1,000 字符	大多数语音合成模型	输入 `text` 的长度
按输出秒数	部分语音模型，包括 Seed Audio 1.0	实际生成时长，向上取整
按输入分钟数	语音转文本模型	提交音频的时长

失败的任务不计费。对按输出时长计费的模型，提交任务时会先冻结一笔金额，完成后再按真实时长结算。

生成前可以调用定价端点获取准确报价，具体算例参见模型如何计费。

查找音频模型

模型库更新频繁。与其把模型列表写死在代码里，不如按类型筛选：

打开模型库，按 Text-to-Audio 或 Audio-to-Text 筛选
或者在助手中通过 MCP Server 调用 atlas_list_models，传入 type="Audio"

每个模型的确切参数都发布在 模型端点 下各自的 API 参考页面中。

工作方式

语音合成

示例：Seed Audio 1.0

音乐生成

示例：Suno Chirp v5

语音转文本

示例：Seed ASR 2.0

示例：xAI STT v1

读取结果

提供音频输入

计费

查找音频模型

相关内容

预测任务

Webhook

上传文件

模型如何计费

On this page