TTS 语音合成 API 指南

DeepSeek Tavern 提供三款专为酒馆角色扮演场景打磨的 TTS（文本转语音）模型。兼容 OpenAI /v1/audio/speech 接口格式，可直接接入 SillyTavern、Tavo 等前端。

模型列表

请求参数

内置音色（tavern-v1-tts）

调用示例

基础版 TTS — 预设音色

curl https://deepseektavern.com/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_TAVERN_KEY" \
  -d '{
    "model": "tavern-v1-tts",
    "input": "欢迎来到我的酒馆，今天想聊点什么？",
    "voice": "冰糖"
  }' \
  --output output.mp3

音色设计版 — 文字定制音色

curl https://deepseektavern.com/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_TAVERN_KEY" \
  -d '{
    "model": "tavern-v1-voicedesign",
    "input": "各位听众，欢迎收听今天的科技资讯。",
    "voice": "沉稳磁性中年男声，略带激情，适合科技新闻播报"
  }' \
  --output output.mp3

语音克隆版 — Data URL 上传参考音频

# 将参考音频编码为 Base64 Data URL
REF_AUDIO_B64=$(base64 -i reference_audio.mp3)

curl https://deepseektavern.com/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_TAVERN_KEY" \
  -d "{
    \"model\": \"tavern-v1-voiceclone\",
    \"input\": \"这是使用我的声音合成的语音。\",
    \"voice\": \"data:audio/mpeg;base64,${REF_AUDIO_B64}\"
  }" \
  --output output.mp3

音色设计指南（tavern-v1-voicedesign）

通过自然语言描述即可生成全新音色，无需参考音频。描述写在 voice 参数中，越具体效果越好。

音色描述示例

# 知性女主播
"voice": "一个30岁知性女声，带轻微南方口音，语气温和亲切，适合播讲科技新闻"

# 沧桑老学者
"voice": "低沉略带嘶哑的老年男性学者，语速较慢，适合讲历史故事"

# 元气少女
"voice": "18岁元气少女，声音清脆明亮，语速偏快，充满活力"

# 游戏 NPC
"voice": "沧桑的中年男性铁匠，声音粗犷有力，带点不耐烦的语气"

语音克隆指南（tavern-v1-voiceclone）

参考音频要求

• 时长：约 30 秒
• 格式：MP3、WAV、M4A、FLAC、OGG
• 内容：单人自然说话即可，无需特定文本
• 环境：发音清晰，无背景噪音

使用方式

将参考音频 Base64 编码后作为 voice 参数传入：

{
  "model": "tavern-v1-voiceclone",
  "input": "要合成的文本",
  "voice": "data:audio/mpeg;base64,<base64-of-reference-mp3>"
}

风格控制

所有模型均支持通过自然语言指令控制合成语音的情绪、语速和语气。支持以下风格类型：

• 基础情绪：开心、悲伤、愤怒、恐惧、惊讶、兴奋、委屈、平静、冷漠
• 复合情绪：怅然、欣慰、无奈、愧疚、释然、嫉妒、厌倦、忐忑
• 整体语调：温柔、高冷、活泼、严肃、慵懒、俏皮、深沉、干练、凌厉
• 方言：东北话、四川话、河南话、粤语
• 角色扮演：孙悟空、林黛玉
• 唱歌：在文本最开头加 (唱歌) 标签

风格控制示例

# 温柔但坚定
"voice": "冰糖，语气温柔但坚定，语速稍慢"

# 热情兴奋
"voice": "茉莉，语气热情高涨，语速加快，充满兴奋感"

# 方言模式
"voice": "白桦，用东北话说，语气豪爽热情"

# 唱歌模式（在 input 文本开头加标签）
"input": "(唱歌)原谅我这一生不羁放纵爱自由"

在 SillyTavern 中使用

1. 打开 SillyTavern 扩展面板 → TTS
2. 选择 OpenAI Compatible 作为 TTS 提供者
3. Provider Endpoint 填入：https://deepseektavern.com/v1/audio/speech
4. Model 选择 tavern-v1-tts（或对应的模型 ID）
5. Available Voices 填入：default,冰糖,茉莉,苏打,白桦,Mia,Chloe,Milo,Dean
6. 在 API 密钥管理中填入你的 DeepSeek Tavern 密钥
7. 点击测试，确认听到语音后即可在聊天中使用