豆包语音

字节豆包大模型语音 V3 接口集，三方服务模块下提供 2 个工具：

• 语音合成（TTS）：将文本合成为音频，HTTP Chunked 单向流式，结果归档至 sandbox workspace，返回公网可播放 URL。
• 录音文件极速识别（auc_turbo / V3 flash）：将音频文件识别为文字，单文件 ≤100 MB、≤2 小时。

两个工具共用一把火山引擎 API Key。

• 服务 slug：doubao_speech
• 调用协议、鉴权、错误处理详见：调用说明
• 工具列表实时获取：GET /v1/openapi/third-party-service/doubao_speech/tools

TIP

本页字段说明同步自平台插件 schema 与 doubao_speech 执行器实现，调用方应以工具列表接口返回为准。

工具一览

工具 slug	名称	用途	典型耗时
doubao_tts_synthesize	语音合成	文本 → 音频 URL	数百毫秒 ~ 数秒（取决于文本长度）
doubao_asr_recognize_flash	录音文件极速识别	音频 → 文本	通常 < 文件时长的 1/10

通用调用形式（所有工具相同）：

POST /v1/openapi/third-party-service/doubao_speech/:tool/invoke
{
  "inputs": { ... }
}

---

doubao_tts_synthesize 语音合成

接口说明

豆包 TTS（V3 HTTP Chunked 单向流式），将文本合成为音频，支持音色选择、语速 / 音量 / 音调调节，可传入语音指令 (speech_instruction) 与上下文 (context_text) 触发高级特性。合成结果自动归档至 sandbox workspace，返回公网可播放 URL，无需调用方自行托管音频。

• 工具 slug：doubao_tts_synthesize
• 完整路径：POST /v1/openapi/third-party-service/doubao_speech/doubao_tts_synthesize/invoke

入参（inputs）

字段	类型	必填	默认	说明
text	string	是	-	待合成文本，UTF-8 编码 ≤ 1000 字节
voice_type	string	是	-	音色 ID。请使用 2.0 音色（后缀 _uranus_bigtts），如 zh_female_xiaohe_uranus_bigtts、zh_female_vv_uranus_bigtts，与 tts_resource_id=seed-tts-2.0 匹配；不要使用 1.0 的 _moon_bigtts / _mars_bigtts 音色
speech_instruction	string	否	-	TTS 2.0 语音指令（如情绪调教，例：用兴奋的语气朗读）
context_text	string	否	-	TTS 2.0 上下文引用文本，给模型提供前文以保持语气连贯
encoding	string	否	mp3	输出音频编码：mp3 / wav / pcm / ogg_opus
speech_rate	integer	否	0	语速档位，范围 -50 ~ 100。0=原速，100=2.0 倍速，-50=0.5 倍速
loudness_rate	integer	否	0	音量档位，范围 -50 ~ 100。0=原音量，100=2.0 倍音量，-50=0.5 倍音量
pitch	integer	否	0	音调，范围 -12 ~ 12，0 为原音调

TIP

完整音色清单参见火山引擎官方文档：https://www.volcengine.com/docs/6561/1257544

出参（output）字段

字段	类型	说明
audio_url	string	合成音频的可播放 URL（已归档至 sandbox workspace）
format	string	音频编码格式（mp3 / wav / pcm / ogg_opus）
sample_rate	integer	音频采样率（Hz）
size_bytes	integer	音频文件大小（字节）

调用示例

curl -X POST 'https://runtime-api.invalid/v1/openapi/third-party-service/doubao_speech/doubao_tts_synthesize/invoke' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer sk_your_api_key' \
  -d '{
    "inputs": {
      "text": "欢迎使用 AI 应用开发平台。",
      "voice_type": "zh_female_xiaohe_uranus_bigtts",
      "encoding": "mp3",
      "speech_rate": 0
    }
  }'

成功响应示例

{
  "code": 200,
  "data": {
    "service": "doubao_speech",
    "tool": "doubao_tts_synthesize",
    "output": {
      "audio_url": "https://sandbox-cdn.hxsyai.com/audio/xxx.mp3",
      "format": "mp3",
      "sample_rate": 24000,
      "size_bytes": 41263
    }
  },
  "message": "success",
  "trace_id": "ece1bfa480da3a5bb346cf83cfc29454"
}

---

doubao_asr_recognize_flash 录音文件极速识别

接口说明

豆包录音文件极速版（auc_turbo / V3 flash），同步返回转写结果。支持 WAV / MP3 / OGG 等格式，单文件 ≤ 100 MB、≤ 2 小时。

输入采用数据中心 audio_id：前端先将音频上传到平台数据中心拿到 audio_id，再传入本接口；后端反查公网 URL 直拉，URL 拉取失败时自动降级为 base64 上送。

• 工具 slug：doubao_asr_recognize_flash
• 完整路径：POST /v1/openapi/third-party-service/doubao_speech/doubao_asr_recognize_flash/invoke

入参（inputs）

字段	类型	必填	默认	说明
audio_id	string	是	-	数据中心音频文件 ID（前端上传完成后由数据中心返回），后端凭此反查公网播放地址
enable_punc	boolean	否	true	是否在识别结果中输出标点符号
enable_itn	boolean	否	true	将口语数字、日期等规整为书面格式
enable_ddc	boolean	否	true	过滤口语中的「嗯、啊、呃」等填充词

出参（output）字段

字段	类型	说明
text	string	识别后的文本
audio_url	string	实际拉取的音频 URL
audio_id	string	输入的数据中心文件 ID（直接传 audio_url 时为空）
source	string	识别走的链路：url（直拉） / base64（URL 拉取失败时降级）

调用示例

curl -X POST 'https://runtime-api.invalid/v1/openapi/third-party-service/doubao_speech/doubao_asr_recognize_flash/invoke' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer sk_your_api_key' \
  -d '{
    "inputs": {
      "audio_id": "audio_01J8...",
      "enable_punc": true,
      "enable_itn": true,
      "enable_ddc": true
    }
  }'

成功响应示例

{
  "code": 200,
  "data": {
    "service": "doubao_speech",
    "tool": "doubao_asr_recognize_flash",
    "output": {
      "text": "欢迎使用 AI 应用开发平台。",
      "audio_url": "https://sandbox-cdn.hxsyai.com/audio/xxx.mp3",
      "audio_id": "audio_01J8...",
      "source": "url"
    }
  },
  "message": "success",
  "trace_id": "1c2b23f18c73fc0540423f0c2923a654"
}

---

凭证配置

在控制台为 workspace 配置以下凭证后两个工具均可使用：

字段	必填	默认	说明
api_key	是	-	火山引擎控制台 API Key（UUID 形式）；获取地址：https://console.volcengine.com/speech/app
tts_resource_id	否	seed-tts-2.0	TTS 资源 ID，默认即可；详见 https://www.volcengine.com/docs/6561/1598757

未配置时调用返回 三方服务凭证未配置。

注意事项

• TTS 文本长度 ≤ 1000 字节（约 333 个汉字）。如需更长文本，请在调用方按句切片后串行 / 并行合成。
• 音色版本：必须使用 2.0 音色（_uranus_bigtts），与默认 seed-tts-2.0 资源匹配；混用 1.0 / 2.0 会报「音色不存在」类错误。
• ASR 推荐链路：前端上传至数据中心 → 拿到 audio_id → 调本接口。平台优先用公网 URL 直拉，失败时透明降级 base64，output.source 字段可作排查依据。
• 音频归档：TTS 结果的 audio_url 已自动落库至 sandbox workspace，无需调用方再次上传；如需长期持久化，请按需另行复制。