---
title: "什么是文本转语音（TTS）？语音合成 API 如何工作 | BroadRouter"
description: "文本转语音把文字变成语音。本文介绍 TTS API 的工作方式、SSML 能控制什么、输出格式，以及为什么 BroadNet 提供语音转文字却不提供 TTS。"
url: https://broadrouter.com/zh/glossary/text-to-speech/
lang: zh-Hans
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/glossary/text-to-speech/)（2026-11-15 更新）。

# 文本转语音（TTS，text-to-speech）

更新于 2026-11-15

文本转语音（TTS），也叫语音合成，是把书面文字转换成语音的技术。TTS API 接收文本、音色和输出格式（如 MP3 或 WAV），返回生成的语音。它与把音频转成文字的语音转文字方向相反。

又称： TTS、语音合成、文字转语音、文本转语音 API、TTS API、text-to-speech、text to speech、speech synthesis

语音转文字负责听，文本转语音负责说。语音助手两者都需要。

## 工作原理

TTS API 接收三样东西：文本、音色和音频格式。下面是 OpenAI 指南中 Python 示例的形式：

```python
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file("speech.mp3")
```

它的指南介绍了 `/v1/audio/speech` 端点、13 种内置音色，以及 MP3（默认）、Opus、AAC、FLAC、WAV 和 PCM 等输出格式，其中 PCM 是不带文件头的原始 24 kHz 16 位样本。它支持分块传输编码的流式输出，所以文件还没生成完就能开始播放，并推荐用 WAV 或 PCM 获得最快的响应。指南还把 `tts-1`、`tts-1-hd` 和 `gpt-4o-mini-tts` 标为已弃用，将于 2027 年 1 月 6 日停用。在基于某个模型开发之前，请先查看最新的模型列表。

许多引擎也接受 SSML，即 W3C 用于语音合成的 XML 标记语言。根元素 `<speak>` 声明 `version="1.1"` 和 `xml:lang`。其他元素包括表示停顿的 `<break>`、标记日期或数字的 `<say-as>`、指定精确发音（例如用 IPA）的 `<phoneme>`，以及标记另一种语言短语的 `<lang>`：

```xml
<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>
```

## 为什么重要

-   **语音产品是一条流水线。** 语音机器人先做[语音转文字](https://broadrouter.com/zh/glossary/speech-to-text/)，再交给聊天模型，最后做 TTS。每一步都会增加[延迟](https://broadrouter.com/zh/glossary/latency/)和成本，而且每一步都可以由不同的服务商提供。
-   **格式选择。** 输出格式决定文件大小和播放兼容性。例如 WhatsApp 播放的是 [Ogg Opus](https://broadrouter.com/zh/glossary/ogg-opus/) 语音消息。
-   **披露。** OpenAI 要求告知最终用户，TTS 的声音是 AI 生成的。

## 在 BroadNet Inference 上

BroadNet 不提供文本转语音。它的 API 参考文档只有 `POST /v1/chat/completions` 和 `POST /v1/audio/transcriptions`。它提供的是反方向的能力：[BroadNet Transcribe Arabic](https://broadrouter.com/zh/models/cohere-transcribe-arabic/) 和 [BroadNet Transcribe](https://broadrouter.com/zh/models/cohere-transcribe/) 把 WAV 或 MP3 音频转成文字，价格分别为每分钟 $0.0042 和 $0.002。BroadNet 也不提供实时语音。

如果你的产品需要发声，请把 BroadNet 的转写和聊天与另一家 TTS 服务商搭配使用。[文本、语音与视觉](https://broadrouter.com/zh/blog/text-speech-vision/)梳理了 BroadNet 能覆盖哪些工作、哪些需要其他服务，[WhatsApp 聊天机器人架构](https://broadrouter.com/zh/blog/arabic-whatsapp-chatbot-architecture/)一文则展示了流水线中语音消息的那一侧。

## 常见错误

-   **把 TTS 和 STT 搞混。** 语音转文字 API 不会生成音频。要看端点列表，而不是只看有没有 “speech” 这个词。
-   **以为 SSML 到处都能用。** 很多 API 只接受纯文本，或只支持 SSML 的一个子集。

## 常见问题

### BroadNet Inference 提供文本转语音吗？

不提供。BroadNet 的文档只有两个端点：chat completions 和音频转写，没有 /v1/audio/speech。如果你的应用需要发声，请另找 TTS 服务商。

### SSML 是什么？

语音合成标记语言，W3C 推荐标准（1.1 版，2010 年）。它是一种 XML，用来控制合成语音的发音、停顿、音高、语速和语言切换。各 TTS 服务商的支持程度不一。

### 必须告诉用户声音是 AI 生成的吗？

OpenAI 在 TTS 指南中引用的使用政策，要求明确告知用户声音由 AI 生成。请查看你所用服务商的条款和当地法律。

## 另请参阅

-   [语音转文字（speech-to-text）](https://broadrouter.com/zh/glossary/speech-to-text/)（术语）
-   [多模态 AI（multimodal AI）](https://broadrouter.com/zh/glossary/multimodal/)（术语）
-   [Ogg Opus](https://broadrouter.com/zh/glossary/ogg-opus/)（术语）
-   [WAV](https://broadrouter.com/zh/glossary/wav/)（术语）
-   [流式输出（streaming）](https://broadrouter.com/zh/glossary/streaming/)（术语）
-   [文本、语音还是视觉？先从任务出发](https://broadrouter.com/zh/blog/text-speech-vision/)（文章）
-   [阿拉伯语 WhatsApp 聊天机器人架构：从语音消息到自动回复](https://broadrouter.com/zh/blog/arabic-whatsapp-chatbot-architecture/)（文章）

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-text-to-speech&utm_content=page-cta) ·

**来源**

-   [OpenAI API 文档，文本转语音指南：/v1/audio/speech、音色、输出格式、披露规则（2026-11-15 查阅）](https://developers.openai.com/api/docs/guides/text-to-speech)
-   [W3C，语音合成标记语言（SSML）1.1 版，推荐标准（2026-11-15 查阅）](https://www.w3.org/TR/speech-synthesis11/)
-   [BroadNet Inference API 参考文档：chat completions 与音频转写端点（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-text-to-speech&utm_content=sources)
