IndexTTS2 语音生成

使用 model: "indextts-2"，以参考音频的音色合成文本。可以同步接收 WAV，也可以提交异步任务后通过 ReX API 代理 URL 获取音频。本文对应 ComfyUI provider 的语音工作流，核对日期为 2026-10-03。

voice 在这个模型中是参考音频 URL，不是 Azure 的音色名或 OpenAI 预置音色名称。请使用已获授权、能被上游直接下载的参考素材。

接口

操作	方法与路径	返回
同步合成	`POST /v1/audio/speech`	WAV 二进制
提交异步任务	`POST /v1/audio/speech/tasks`	JSON 任务对象
查询任务	`GET /v1/audio/speech/tasks/{id}`	状态、完成后的代理内容地址
下载音频	`GET /v1/audio/speech/tasks/{id}/content`	WAV 二进制
查询响应头	`HEAD /v1/audio/speech/tasks/{id}/content`	文件响应头

根地址为 https://ai.j1ao.vip，使用 Authorization: Bearer <REX_API_KEY>。上游密钥保留在服务端，客户端不需要其他供应商密钥。

基础参数

字段	类型	必填	说明
`model`	string	是	`indextts-2`。
`input`	string	是	待合成文本，1–2,048 个字符。建议使用普通字符串。
`voice`	string	是	公网 HTTP(S) 参考音频 URL，建议使用 MP3 或 WAV。
`response_format`	string	否	只能为 `wav`，省略也返回 WAV。
`speed`	number	否	只能省略或传 `1`；工作流没有可配置语速。
`instructions`	object	否	情绪控制对象，不能使用自然语言字符串。
`extra_body`	object	否	情绪参数或原生参考音频字段。使用 SDK 时也可通过 SDK 的 `extra_body` 扩展。

原生兼容字段：prompt_text 可替代 input；prompt_simple 或 extra_body.prompt_simple 可指定音色参考音频。也接受 extra_body.voice。推荐优先使用标准的 input 和 voice。

音色参考音频优先级：顶层 prompt_simple → extra_body.prompt_simple → extra_body.voice → 顶层 voice。引用音频需要在任务排队和运行期间保持可下载，不支持上传本地文件或 Base64。

同步合成

以下命令假设已配置 REX_API_KEY，并将素材 URL 替换成实际可下载的音频：

curl --fail-with-body https://ai.j1ao.vip/v1/audio/speech \
  -H "Authorization: Bearer $REX_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "indextts-2",
    "input": "你好，欢迎使用语音生成接口。",
    "voice": "https://media.example.com/reference.wav",
    "response_format": "wav"
  }' \
  --output speech.wav

同步接口会等待异步工作流完成，再由网关代理输出 WAV。连接超时或客户端断开不等于任务取消，服务端可能继续生成和计费；不要未经确认重复提交。需要稳定获取任务 ID 时，优先使用以下异步接口。

异步合成、轮询和代理下载

请求体与同步接口相同，改用 POST /v1/audio/speech/tasks：

curl --fail-with-body https://ai.j1ao.vip/v1/audio/speech/tasks \
  -H "Authorization: Bearer $REX_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "indextts-2",
    "input": "你好，这是异步语音生成示例。",
    "voice": "https://media.example.com/reference.wav"
  }'

创建响应示例：

{
  "id": "task_example",
  "object": "audio.speech",
  "created_at": 1790969442,
  "status": "queued",
  "model": "indextts-2",
  "progress": 0
}

保存 id，每 3–5 秒查询一次：

curl --fail-with-body https://ai.j1ao.vip/v1/audio/speech/tasks/task_example \
  -H "Authorization: Bearer $REX_API_KEY"

queued、in_progress 继续等待，completed 后下载，failed 时检查错误。完成响应中的 content_url 是 ReX API 代理地址，可能带产物访问签名；它不是上游音频 URL。建议直接使用响应值，或者使用固定的鉴权内容路径：

curl --fail-with-body https://ai.j1ao.vip/v1/audio/speech/tasks/task_example/content \
  -H "Authorization: Bearer $REX_API_KEY" \
  --output speech.wav

网关代理下载支持 HEAD 和 Range。带签名的产物 URL 具有访问能力，请像分享文件链接一样妥善保管；不要删改签名，也不要把本站 API Key 发往第三方域名。上游产物有有效期，完成后应及时保存。

情绪控制

情绪控制字段可以放在 instructions、extra_body 或顶层；同一情绪字段按顶层 → extra_body → instructions 的优先级取值。为了请求清晰，建议统一使用 instructions。

字段	默认值	允许值 / 说明
`emo_control_method`	`与音色参考音频相同`	还可选 `使用情感参考音频`、`使用情感向量控制`。
`emo_ref_audio`	音色参考音频 URL	独立情感参考音频，使用公网 MP3 / WAV URL。
`emo_happy`	0	开心，数字 0–1。
`emo_angry`	0	愤怒，数字 0–1。
`emo_sad`	0	悲伤，数字 0–1。
`emo_afraid`	0	恐惧，数字 0–1。
`emo_disgusted`	0	厌恶，数字 0–1。
`emo_melancholic`	0	低落，数字 0–1。
`emo_calm`	0	平静，数字 0–1。
`emo_surprised`	0	当前上游工作流固定为 0。客户端可传 `0` 或 `"0"`，插件转换为上游要求的字符串枚举。
`emo_random`	false	布尔值，控制随机情绪。

部分上游数值字段公开上限为 1.4，但当前网关接口沿用原插件的 0–1 范围，超过 1 会拒绝。情绪效果还受所选控制模式和参考素材影响。

情绪向量

{
  "model": "indextts-2",
  "input": "今天终于完成了这个项目，真让人开心！",
  "voice": "https://media.example.com/reference.wav",
  "instructions": {
    "emo_control_method": "使用情感向量控制",
    "emo_happy": 0.8,
    "emo_calm": 0.2,
    "emo_random": false
  }
}

独立情感参考音频

{
  "model": "indextts-2",
  "input": "请使用目标音色，参考另一段音频的情绪表达。",
  "voice": "https://media.example.com/voice-reference.wav",
  "instructions": {
    "emo_control_method": "使用情感参考音频",
    "emo_ref_audio": "https://media.example.com/emotion-reference.wav"
  }
}

emo_ref_audio 的查找顺序为顶层 → extra_body → instructions，没有指定时回退到音色参考音频。

计费与限制

本次接入保留站内既有 IndexTTS2 计费：每次 0.015 + 每秒 0.002，再乘适用分组倍率。这是相加公式，不是 max(最低价, 秒数费用)；与上游最低收费规则不同。

提交时根据待合成文本预估秒数：汉字、日文假名、韩文字每字计 0.25 秒，其他字符每字计 1/16 秒，加总后向上取整，最少 1 秒。完成时上游或网关提供有效 duration_seconds，按其修正；没有这个字段才保留文本预估值。任务 duration 是运行耗时，不能当音频时长使用。2026-10-03 的本站实测已观察到按完成时媒体时长修正预扣金额。

最终计费秒数和金额以任务结算日志为准；缺少媒体时长、回退到文本预估值时，可能与下载音频的实际长度不同。失败任务按网关退款流程处理。

当前不支持 MP3 输出、语速调节、WebSocket 实时流、字幕或时间戳文件，也没有音色目录接口。需要这些功能时请查看其他模型的 Speech API，不要将 UnrealSpeech 的专用字段或端点用于 IndexTTS2。