音频生成

用途	模式与接口	输出
原生 TTS/音频模型生成	引擎 B `native`，`POST /v1/chat/completions`	聊天 JSON 中的 Markdown 媒体链接
文本转语音专用接口	引擎 B `upstream` + `passthrough: true`，`POST /v1/audio/speech`	上游音频二进制，格式由上游决定

/v1/audio/speech 是文本转语音接口。音乐生成、实时语音和音频转写是不同能力，不能默认套用同一请求。

原生模式：请求音频模型

先用 GET /v1/models 选择实际可用的 TTS/音频模型。以下 ID 仅为示例，需出现在当前目录中；底层根据模型目录选择 AUDIO 输出，具体模型是否接受该请求由上游决定。

bash

curl http://localhost:8800/v1/chat/completions \
  -H 'Authorization: Bearer sk-xxxxxxxx' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "gemini-2.5-flash-preview-tts",
    "messages": [{"role": "user", "content": "请用平静的中文声音朗读：欢迎来到雾中的森林。"}],
    "stream": false
  }' \
  -o audio-response.json

输出位于 choices[0].message.content，例如：

json

{
  "choices": [{
    "message": {
      "role": "assistant",
      "content": "\n![media](data:audio/pcm;rate=24000;base64,<音频Base64>)\n"
    }
  }]
}

实际 MIME 和媒体格式由上游返回，也可能是媒体 URL。提取 data: URI 后，按第一个逗号分隔元信息与 Base64 数据，再解码保存。解码不会转换格式：audio/pcm 是原始采样数据，需要确认采样率、声道数和采样格式后封装成 WAV 或转换，不能只改文件名为 MP3。audio/wav 等带容器格式可按实际类型保存。

当前原生聊天适配器未映射 voice、speech_config、response_format、speed、response_modalities，传入这些字段不会设置声音或输出编码；input_audio 等音频输入也未映射。如需指定声音及输出格式，使用支持这些参数的上游专用接口。选择原生音乐模型时，使用该模型支持的文本描述，结果同样从媒体链接读取；是否支持以模型和上游为准。

stream: true 时先拼接 SSE 的 choices[0].delta.content，再提取媒体链接；这不是独立的实时音频会话协议。

Gemini 官方音频参数对照

官方 Interactions 的输出使用 response_format 的 audio 分支，语音行为使用 generation_config.speech_config；转写使用 transcription_config，音乐模型使用不同的输入和能力范围。这些配置目前均未接入 HTTP 聊天入口。

配置	官方字段 / 允许值	当前遗漏
AudioResponseFormat	type=audio、mime_type、sample_rate、bit_rate、delivery	无法指定编码、采样率、码率或 URI 交付
音频输出 MIME	audio/mp3、audio/ogg_opus、audio/l16、audio/wav、audio/alaw、audio/mulaw	由上游实际产物决定；仅改扩展名不会转码
SpeechConfig	voice、speaker、language；支持数组或 speakers 对象	内部有单人 / 多人声音结构，形状不同且无 language 映射，HTTP 未开放
TranscriptionConfig	custom_vocabulary、language_codes、mode=verbatim / smart 或对象；逐字对象有 diarization_mode / timestamp_granularities	内部已有部分转写配置，但 HTTP 没有音频输入和设置映射
AudioContent	data / uri、mime_type、channels、sample_rate	HTTP 未映射输入块；不能把 input_audio 或文件路径当作已上传内容
语音标注 / 转写标注	speech_metadata、word_info、说话人和词级时间范围	未以官方 annotations 结构输出

官方 TTS 非流式默认 WAV、流式默认 l16 的规则只适用于相应官方调用，不能推断当前聊天媒体一定是 WAV。Lyria 的音乐输入与输出限制、声音选择、多人朗读、转写模式和废弃字段详见中文参考详解及完整字段对照。

upstream 模式：文本转语音

需要 engine_b.enabled: true、engine_b.mode: upstream、engine_b.passthrough: true，且配置的上游实现 /v1/audio/speech。

下面是常见 OpenAI 兼容协议示例。替换模型和声音占位值，确认上游支持输出格式后使用。

bash

curl http://localhost:8800/v1/audio/speech \
  -H 'Authorization: Bearer sk-xxxxxxxx' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "<上游语音模型ID>",
    "input": "欢迎来到雾中的森林。",
    "voice": "<上游声音名称>",
    "response_format": "mp3"
  }' \
  -o speech.mp3

字段	常见用途	支持条件
`model`	上游语音模型 ID	由上游提供
`input`	需要朗读的文本	常见协议必填
`voice`	声音名称	由上游提供，不能通用套用
`response_format`	输出编码，如 `mp3`、`wav`、`pcm`	上游决定支持范围和默认值
`speed`	语速，如 `1`	仅上游支持时有效

网关原样转发请求体并保留上游状态码、响应头和正文。成功响应通常为音频二进制，可直接保存；失败可能是 JSON 错误，下载后应检查 HTTP 状态与 Content-Type，避免把错误正文当作音频播放。

在 native 模式调用 /v1/audio/speech 会返回 502；若已使用 upstream 透传但请求失败，则检查对应上游的端点、模型、声音参数和额度。

音频生成 ​

原生模式：请求音频模型 ​

Gemini 官方音频参数对照 ​

upstream 模式：文本转语音 ​

音频生成

原生模式：请求音频模型

Gemini 官方音频参数对照

upstream 模式：文本转语音