把声音能力，接进你的产品。
Vocu 悟声背后的模型，同样以 API 与企业方案的形式开放。无论是给产品加一个会说话的助手，还是批量生产有声内容，都可以从一次调用开始。
从内容生产，到实时交互。
同一套模型，在不同行业里承担不同的角色。下面是我们最常见的合作场景。
有声书、播客、广播剧、短视频与课程配音。多角色、导演式演绎，长篇里音色始终稳定。
视频一键译配。换一种语言，仍然是原演员的声音与情绪。
角色配音、NPC 实时对话、虚拟主播与互动直播。
语音助手、客服与通知播报。流式低延迟，中英混读，数字与地址读得准。
按场景，选对配置。
三类最典型的需求，以及我们推荐的接口、预设、采样率与部署方式。
- 首包延迟低，对话回合感自然
- 音色长期稳定一致，可形成品牌辨识度
- 文本类型复杂：通知、中英混排、数字、地址、人名
- 设备量大，并发峰值高
上游对话模型的文本边产出边合成，用户几乎在文本生成的同时听到语音；标准部署首包 300–400ms，低延迟部署可至 150–200ms。
用声音设计直接生成专属助手音色（不绑定真人），或克隆授权音色；同一音色可跨语言使用。
预设优先选“与角色更相似”，保证长期使用中的音色与语气一致。
任意语言组合混读无需分段；多音字、人名可用拼音指定读音。
弹性并发按需求拓展；全球节点就近接入，保证各地区的首包延迟。
- 接口
- WebSocket / HTTP 流式；流式文本输入
- 预设
- 与角色更相似（或均衡），高表现内容可走表现力优先模式
- 采样率 / 格式
- 24kHz mp3（带宽优先）或 44.1kHz
- 音色
- 声音设计生成品牌音色，或授权克隆
- 部署
- 全球节点就近接入；可按需部署低延迟节点
几行代码，让产品开口说话。
短文本用同步接口直接返回；对话场景用 WebSocket 流式合成，上游大模型边生成文本、用户边听到声音；长文本与批量任务使用异步任务接口。
- REST
- 同步合成、异步任务创建与查询、音色管理
- WebSocket
- 流式合成：流式文本输入、分片音频输出，适合对话与实时播报
- SDK
- Python / JavaScript / .NET / Swift
- 计费口径
- 按合成文本字符数计量
const stream = await vocu.tts.stream({model: 'voice-4.0',voice: 'brand-assistant',text: '{{轻快}}你好，很高兴见到你。',});for await (const chunk of stream) {player.write(chunk);}
四步，从账号到上线。
- 1开通账号
开通内测账号，获取 API Key。
- 2创建音色
上传参考样本进行瞬时克隆，或用自然语言描述进行声音设计。
- 3调用合成
短文本同步返回、对话场景流式输出、长文本与批量任务使用异步任务。
- 4集成调优
通过 SDK 集成到业务系统，按业务指标调整预设、采样率与标签写法。
全球多区域节点，用户请求就近接入；并发与节点可以按业务需要拓展。
- 全球节点
- 多区域部署，用户请求就近接入
- 中国大陆与海外
- 大陆与海外流量分区服务，满足各地合规要求
- 弹性并发
- 并发容量按需求拓展
- 按需部署
- 可根据合作需求进行部署与节点拓展，低延迟部署下首包可至 150–200ms
从按量调用，到深度定制。
REST 与 WebSocket 接口，按合成字符或生成时长计量。注册后即可获得测试额度。
专属品牌音色、私有化部署、低延迟节点与并发保障，配有专人对接。
与创作者和 IP 方合作，把声音角色授权用于内容、游戏与衍生品。
VocaMark 水印与 VocaAntiFake 鉴伪，可接入平台审核与政务安全系统。
让评测结果，反映真实能力。
在正式接入前做一轮评测时，这些做法能让结果更接近真实使用效果。
- 参考样本
- 10–20 秒、清晰、单人、无背景音乐；情绪与语速贴近目标场景。样本质量对结果的影响大于任何参数
- 预设
- 助手 / 播报评测用“与角色更相似”；表现力评测用“更可控（有表现力）”；通用评测用“均衡”
- 文本集
- 使用目标场景的真实文本（含数字、中英混排、长句、口语）；单次不超过约 1200 汉字
- 标签
- 先无标签评估自主情感理解，再加 {{ }} 标签评估可控性；标签写具体的表演指令
- 采样率
- 按目标场景选择；与其他系统对比时统一采样率与文本集
- 延迟
- 在目标节点测首包与生成速度；对话场景以流式文本输入方式测端到端延迟
- 多语言
- 跨语言评测时文本与标签用目标语言书写；口音评测可通过标签或对应口音的样本