视频配音 TTS API：每个场景生成一个音频文件

YiduoChan 通过 OpenAI 兼容的 /v1/audio/speech 接口提供 MiniMax speech-2.8-hd 与 speech-2.8-turbo，按输入字符计费。本页介绍如何按目标时长写稿、每个场景生成一个音频文件、挑选剪辑时能直接用的格式，以及一分钟成品旁白实际要花多少钱。

试听配音示例

以下为英文示例：一段主播风格的脚本，分别由两个模型经本站中转生成，未做任何后期处理。

音色：English_CalmWoman。

生成之前，先按时长写稿

视频配音出问题的地方很好预测。有人写好脚本，整段生成，才发现音频长 7:40，而剪好的片子只有 6:00，于是只好对音频做时间拉伸，或者剪掉画面来凑。两种补救都不如一开始就按长度写稿，而且两种都可以避免。MiniMax 语音模型按输入字符计费，所以花钱之前唯一能测量的那个数字——脚本的字符数——同时也能预测时长和价格。

估算脚本长度，有三个规划用的经验值就够了（均按英文文本估算）。请把它们当作估算：实际语速会随语言、标点和所选音色而变化。

• 每分钟成品语音约 900 个字符。
• 每小时约 54,000 个字符。
• 每个英文单词约 6 个字符，算上词后的空格。

把它们结合起来，就得到一个可以在文本编辑器里、而不是在非线性剪辑软件（NLE）里把控的目标。一分钟的视频大约需要 900 个字符，约 150 个单词；五分钟的视频约 4,500 个字符（750 个单词）；十分钟的视频约 9,000 个字符（1,500 个单词）。如果给十分钟时段交上来的稿子有 11,400 个字符，就超出了 2,400 个字符——大约 2.7 分钟——解决办法是删文字，而不是剪音频。

给每个场景分配字符预算

在任何人动笔之前先做除法。一支六分钟的讲解视频约 5,400 个字符，分到十二个场景，平均每个场景 450 个字符，这是写手或对话模型都能照着达成的具体要求。把预算放在驱动生成的同一个 JSON 文件里，让检查成为机械步骤，而不是编辑判断。如果想让模型起草脚本而不是手写，MiniMax-M2.7 用的是同一个 Key 和同一个 Base URL，你可以把每个场景的字符预算写进提示里交给它。

每个场景一个音频文件

每个场景各生成一个文件。人们很容易想把整份脚本放进一个请求，拿回一条完整的长音轨，但这种形态不适合视频工作。视频剪辑总会改：产品名要更正，价格有变动，法务要求改写某一条款。每个场景一个文件时，你只需重新生成那个场景，把新文件在时间线上覆盖旧文件，后面的一切都保持原位。如果是单条音轨，你就得重新生成整段旁白，再把每个剪辑点重新对齐。

从成本看也是同一个结论。一句 40 个单词的台词约 240 个字符，在 speech-2.8-hd 上按刊例价约 $0.02。重新生成十分钟视频里的一句约两美分，重新生成整段约 $0.90。按场景分文件还让重试便宜、审阅方便——审阅者可以直接标出 07-pricing.wav，而不是报一个时间码。

给文件起可排序、稳定的名字：补零的场景序号、一个简短标识（slug）和格式扩展名。重新生成时、换语言时都保持文件名不变，这样剪辑工程里的文件引用永远不用改。

时间线用 wav 或 pcm，交付用 mp3

/v1/audio/speech 接口的 response_format 支持 mp3、wav、flac 和 pcm；省略该字段时返回 mp3。对剪辑时间线来说，这个默认值是错误的选择。凡是要剪切、要在配乐下压低音量（ducking）、要做响度标准化或要重新导出的素材，都生成 wav；mp3 只留给最终交付时的编码。每一次中间的有损编码，都会造成一次无法挽回的音质损失；而且把语音对齐到帧边界时，mp3 编码器加的填充很碍事。

如果你想要不带任何容器的原始采样，就用 pcm——适合拼接场景，或者交给会自己写文件头的处理链。代价是原始 PCM 不带任何元数据，导入程序必须被告知它读到的是什么。这时采样率透传就派上用场了。

透传 audio_setting.sample_rate

MiniMax 专有参数放在请求的 metadata 对象里传递。对视频工作有用的是 audio_setting.sample_rate：它支持的取值这里没有公布，所以批量生成之前，先用你项目的采样率测试一下。序列是 48 kHz，就请求 48 kHz。如果想调整语气，比如在产品主视觉镜头和合规免责声明之间做出区别，同一个对象里还可以带 voice_setting.emotion。请把这些当作透传字段——接口本身仍然是 OpenAI 兼容的，所以任何能调用 audio.speech.create 的客户端都能用，详见 OpenAI SDK 指南。

从 JSON 脚本逐场景生成音频文件

下面的脚本读取一个由场景组成的 JSON 数组，把每个场景生成为单独的文件，并在过程中打印字符数和估算时长，这样稿子超长在开始剪辑之前就一目了然。

# render_scenes.py - one audio file per scene
import json, os, pathlib, requests

ENDPOINT = "https://yiduochan.com/v1/audio/speech"
KEY = os.environ["YIDUOCHAN_API_KEY"]
OUT = pathlib.Path("render")
OUT.mkdir(exist_ok=True)

# script.json:
# [{"id": "01-hook", "voice": "English_expressive_narrator",
#   "text": "Most teams ship the wrong length first."}, ...]
scenes = json.loads(pathlib.Path("script.json").read_text())

def render(scene, model="speech-2.8-hd", fmt="wav", sample_rate=48000):
    body = {
        "model": model,
        "input": scene["text"],
        "voice": scene["voice"],
        "response_format": fmt,
        "metadata": {"audio_setting": {"sample_rate": sample_rate}},
    }
    r = requests.post(
        ENDPOINT,
        headers={"Authorization": f"Bearer {KEY}",
                 "Content-Type": "application/json"},
        json=body,
        timeout=300,
    )
    r.raise_for_status()
    path = OUT / f"{scene['id']}.{fmt}"
    path.write_bytes(r.content)
    n = len(scene["text"])
    print(f"{path}  {n} chars  ~{n / 900:.2f} min")
    return n

total = sum(render(s) for s in scenes)
print(f"total {total} chars  ~{total / 900:.1f} min")
print(f"list cost ${total * 0.0001:.2f}  (speech-2.8-hd)")

文案改动后要重新生成一句，直接调用接口、覆盖一个文件即可，剪辑里的其他部分都不会动。

curl -s https://yiduochan.com/v1/audio/speech \
  -H "Authorization: Bearer $YIDUOCHAN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
        "model": "speech-2.8-turbo",
        "input": "Scene four. Measure the script once, then render.",
        "voice": "female-shaonv",
        "response_format": "pcm",
        "metadata": {"audio_setting": {"sample_rate": 48000}}
      }' \
  --output render/04-measure.pcm

一分钟成品旁白要多少钱

语音按输入字符计费，所以成本只取决于脚本长度——与生成耗时、音色、输出格式都无关。可用的模型有两个：speech-2.8-hd 和 speech-2.8-turbo。

套用每分钟 900 字符的估算，就得到每条视频的总价。表中的脚本长度是估算值，金额也请当作同等精度的估算。

目前所有账号都在倍率为 0.95 的分组里，实际计费比刊例价低 5%。这是当前的分组折扣，不是永久承诺；一分钟的用量下，5% 还不到一美分，所以第一行里刊例价与折后价两列四舍五入后相同。一小时那一行就能明显看出差距：speech-2.8-hd 上是 $5.40 对 $5.13。刊例价即 MiniMax 官方公布的按量付费价，本站与之一致。完整明细见 speech-2.8 价格页，费用计算器可以直接输入字符数计算。

实际的结论是：旁白不是视频里花钱多的部分。一个每周更新十分钟讲解视频的频道，在 speech-2.8-hd 上每期按刊例价约 $0.90，按当前 5% 分组折扣约 $0.855。在两个模型之间取舍时，看的是它们在你的素材上的播报效果和延迟，而不是价差——挑一个有代表性的场景，用两个模型各生成一遍，听一听。

本地化只是重新生成，不用重新集成

因为场景按 ID 而不是按时间码定位，本地化版本就是同一条流水线，只是换了译文和 voice 值。保持 JSON 结构和场景 ID 不变，把 text 换成译好的台词，把 voice 换成合适的音色 ID——English_expressive_narrator、male-qn-qingse 和 female-shaonv 都可以直接指定——再把输出写到按语言划分的目录里，例如 render/de/07-pricing.wav。

预算也照此计算：一条十分钟视频做五个语言版本共 45,000 个字符，在 speech-2.8-hd 上按刊例价是 $4.50（按当前折扣 $4.28），在 speech-2.8-turbo 上是 $2.70（折后 $2.57）。译文场景的长度通常会与原文不同，所以翻译后要重新核对每个场景的字符预算，不要假设原来的时长还能对上。

限制与不提供的功能

有些边界最好在围绕它们做设计之前就先了解。

• 音色克隆需要单独一步。想用主播本人的声音，先用参考录音在 /v1/minimax/voice_clone 克隆音色，再固定使用它返回的音色 ID；否则请从官方音色 ID 中选择。
• 流式音频没有文档说明。把每个请求都当作生成一个完整文件。不要按分块或事件流的响应形态来开发语音功能；要分块，就分你的脚本。
• 没有公布单次请求的字符上限。文档里没有写这个上限，所以不要依赖某个数值。按场景拆分能让每个请求都保持在宽裕的小尺寸，也天然形成了重试的单位。
• 失败的请求从不计费，所以给场景生成套一个重试循环，失败时不会多花一分钱。

本平台的 MiniMax-H3 视频生成暂时不可用，所以这条流水线只覆盖制作中的音频部分。按同样的分文件方法处理长篇语音内容，见配套文章有声书 TTS；参数细节见 speech-2.8 模型页。

开始使用

在 /register 创建 Key 并充值。计费方式为预付美元额度、按量付费、无订阅：最低充值 $5，预设档位有 $5 / $10 / $20 / $50 / $100 / $200 / $500，也可以自定义金额，额度有效期 12 个月。新账号注册即送 $0.10 试用额度，约合一分钟的 hd 音频；更多的测试生成请预留几美元——按这个价格，几美元就能生成大量测试旁白。所有模型的当前价格见定价页。Base URL 是 https://yiduochan.com/v1，鉴权使用标准的 Authorization: Bearer 请求头，携带 <your API key>。有问题请发邮件至 support@yiduochan.com。

常见问题

免费注册获取 API Key 查看完整模型定价