音訊模型

透過同一個 Atlas Cloud 端點合成語音、創作音樂、轉寫錄音。涵蓋 Seed Audio、ElevenLabs、MiniMax、Gemini TTS、Suno、Seed ASR 與 xAI STT。

Atlas Cloud 透過單一端點提供三種音訊能力——語音合成、音樂生成與語音轉文字。實際走哪一種取決於您選擇的模型，而不是 URL。

POST https://api.atlascloud.ai/api/v1/model/generateAudio

平台上並沒有 /v1/audio/speech 或 /v1/audio/transcriptions 端點。如果您要從 OpenAI SDK 移植程式碼，音訊呼叫無法一一對應——它們走的是下方說明的非同步預測流程。

運作方式

音訊請求與圖片、影片生成一樣是非同步的：

提交任務。 對 generateAudio 發出 POST 請求，帶上 model，並將該模型自身的參數平鋪在最上層。

取得 prediction ID。 回應會返回 data.id 與 data.status。

輪詢取得結果。 呼叫 GET /api/v1/model/prediction/{id}，直到 status 進入最終狀態；也可以註冊 webhook，改為接收 audio.task.terminal 事件。

完整的狀態機請參閱預測，回呼設定請參閱 Webhook。

轉寫結果與歌詞結果是文字，不是 URL。 對大多數音訊模型而言，outputs[0] 是生成檔案的連結。但對語音轉文字與歌詞生成模型，outputs[0] 裡裝的就是文字本身——而且偶爾看起來很像一個 URL。切勿不加判斷就把 outputs[0] 當成可下載的位址；請依模型類型分別處理。

語音合成

從文字合成語音。可用模型包括 Seed Audio、ElevenLabs、MiniMax Speech、Gemini TTS 與 xAI TTS。

範例：Seed Audio 1.0

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "bytedance/seed-audio-1.0",
    "text": "Welcome to Atlas Cloud.",
    "format": "mp3",
    "sample_rate": 24000
  }'

參數	必填	預設值	說明
`text`	是	—	要合成的文字
`references`	否	—	最多 3 段音色參考，或者單張圖片參考。每一項只能使用一種來源，音訊參考與圖片參考不可混用
`format`	否	`mp3`	`mp3`、`wav`、`pcm`、`ogg_opus`
`sample_rate`	否	`24000`	8000、16000、24000、32000、44100、48000
`pitch_rate`	否	`0`	−12 到 12
`speech_rate`	否	`0`	−50 到 100（100 = 2.0 倍速，−50 = 0.5 倍速）
`loudness_rate`	否	`0`	−50 到 100

若要複製或引用某個音色，請附上參考音訊片段，並在文字中指向它：

{
  "model": "bytedance/seed-audio-1.0",
  "text": "Use the voice of @audio1 and say: your order has shipped.",
  "references": [{ "audio_url": "https://example.com/sample-voice.mp3" }]
}

參考音訊片段不得超過 30 秒，且需小於 10 MB。

音樂生成

創作完整曲目，可帶人聲也可不帶。平台提供 Suno Chirp 與 MiniMax Music，另有專門的作詞模型。

範例：Suno Chirp v5

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "suno/chirp-v5",
    "prompt": "an upbeat indie pop song about summer road trips",
    "vocal_gender": "Female"
  }'

參數	必填	預設值	說明
`prompt`	通常需要	—	當 `custom: false` 時，這是對歌曲的描述；當 `custom: true` 時，這裡放的是歌詞
`custom`	否	`false`	`false` = 描述歌曲，`true` = 提供您自己的歌詞
`instrumental`	否	`false`	生成純演奏版（無人聲）
`vocal_gender`	否	—	`Male` 或 `Female`。兩種模式下都生效
`title`、`style`、`negative_tags`、`style_weight` 及相關欄位	否	—	僅在 `custom: true` 時生效——否則會被靜默忽略

Chirp v5 每次請求會返回兩首曲目，並在 thumbnail 中附上一張生成的封面圖。除非同時設定 custom: true 與 instrumental: true，否則 prompt 為必填。

若想先作詞再作曲，可以先呼叫 minimax/lyrics-generation 這類作詞模型，再把它的輸出傳入音樂模型的 lyrics 欄位。

語音轉文字

轉寫錄音，可選擇開啟說話者分離與逐字時間戳記。

兩個轉寫模型使用不同的音訊輸入欄位名稱：Seed ASR 用 audio_url，xAI STT 用 audio。傳錯會導致參數驗證失敗。

範例：Seed ASR 2.0

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "bytedance/seed-asr-2.0",
    "audio_url": "https://example.com/interview.mp3",
    "enable_punc": true,
    "enable_speaker_info": true,
    "show_utterances": true
  }'

參數	必填	預設值	說明
`audio_url`	是	—	公開 URL 或 Base64。支援 wav/mp3/ogg/raw
`format`	否	`mp3`	`mp3`、`wav`、`ogg`、`raw`
`language`	否	自動	留空則自動偵測。支援 51 種語言
`enable_itn`	否	`true`	逆文字正規化（把「一百」轉成「100」）
`enable_punc`	否	`false`	加上標點符號
`enable_ddc`	否	`false`	平滑處理語助詞與重複內容
`enable_speaker_info`	否	`false`	說話者分離，最多 10 人
`show_utterances`	否	`false`	返回帶時間戳記的分句
`context`	否	—	內嵌熱詞。必須是 JSON 字串：`{"hotwords":[{"word":"Atlas"}]}`。這裡傳純文字會導致任務失敗

範例：xAI STT v1

curl -X POST https://api.atlascloud.ai/api/v1/model/generateAudio \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "xai/stt-v1",
    "audio": "https://example.com/interview.mp3",
    "diarize": true,
    "text_normalization": true
  }'

參數	必填	預設值	說明
`audio`	是	—	公開 URL 或 Base64。容器格式會自動偵測
`language`	否	自動	ISO 639-1。支援 24 種語言
`text_normalization`	否	`false`	把「one hundred dollars」轉成「$100」
`keyterm`	否	`[]`	最多 100 個偏好詞，每個不超過 50 個字元
`diarize`	否	`false`	說話者分離，為每個詞加上 `speaker_id`
`filler_words`	否	`false`	保留「um」「uh」等語助詞（預設會移除）
`multichannel`	否	`false`	各聲道分別轉寫

讀取結果

{
  "code": 200,
  "data": {
    "id": "…",
    "status": "completed",
    "outputs": ["Thanks for joining the call today…"],
    "stt_result": {
      "text": "Thanks for joining the call today…",
      "duration": 184.2,
      "words": [
        { "text": "Thanks", "start": 0.12, "end": 0.41, "speaker_id": "1" }
      ]
    }
  }
}

outputs[0] 是純文字的逐字稿。結構化輸出——時間軸、說話者、偵測到的語言——都放在 stt_result 中。

提供音訊輸入

音訊輸入欄位可接受公開的 HTTPS URL，也可接受 Base64 data URI。Base64 輸入會被自動儲存，並在請求送達模型之前替換成 URL。

若是本機檔案，請先上傳再使用返回的 URL：

curl -X POST https://api.atlascloud.ai/api/v1/model/uploadMedia \
  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
  -F "[email protected]"

限制與細節請參閱上傳檔案。

計費

音訊模型有三種計費方式，取決於模型：

計費方式	適用範圍	計費依據
每 1,000 字元	大多數語音合成模型	輸入 `text` 的長度
每秒輸出	部分語音模型，包含 Seed Audio 1.0	實際生成時長，無條件進位
每分鐘輸入	語音轉文字模型	提交音訊的時長

失敗的任務不計費。對以輸出時長計費的模型，提交任務時會先凍結一筆金額，完成後再依實際時長結算。

生成前可以呼叫定價端點取得精確報價，實際算例請參閱模型如何計費。

尋找音訊模型

模型庫更新頻繁。與其把模型清單寫死在程式碼中，不如依類型篩選：

開啟模型庫，以 Text-to-Audio 或 Audio-to-Text 篩選
或在助手中透過 MCP Server 呼叫 atlas_list_models，傳入 type="Audio"

每個模型的確切參數都發布在模型端點下各自的 API 參考頁面中。

運作方式

語音合成

範例：Seed Audio 1.0

音樂生成

範例：Suno Chirp v5

語音轉文字

範例：Seed ASR 2.0

範例：xAI STT v1

讀取結果

提供音訊輸入

計費

尋找音訊模型

相關內容

預測

Webhook

上傳檔案

模型如何計費

On this page