Doubao TTS
Erfordert DOUBAO_SPEECH_API_KEY in .env.
Setze DOUBAO_SPEECH_VOICE_TYPE für die Standardstimme oder übergib voice_id an das Tool.
Aktuelle API
Verwende den neuen Konsolen-API-Key-Flow:
X-Api-Key: ${DOUBAO_SPEECH_API_KEY}
X-Api-Resource-Id: seed-tts-2.0
Verwende nicht X-Api-App-Id und X-Api-Access-Key mit einem neuen Konsolen-API-Key. Wenn die API load grant: requested grant not found zurückgibt, ist wahrscheinlich der Key-Typ oder der Auth-Header falsch.
Für lange Videoerzählungen bevorzuge den asynchronen Endpunkt:
POST https://openspeech.bytedance.com/api/v3/tts/submit
POST https://openspeech.bytedance.com/api/v3/tts/query
Dieser gibt audio_url plus sentences[].words[]-Timing-Metadaten zurück, die zum Erstellen von Untertiteln verwendet werden können.
OpenMontage-Verwendung
Generiere mit dem TTS-Selektor:
from tools.audio.tts_selector import TTSSelector
result = TTSSelector().execute({
"preferred_provider": "doubao",
"text": "如果 AI 真的会改变未来,普通人到底该怎么参与?",
"voice_id": "zh_female_vv_uranus_bigtts",
"output_path": "projects/my-video/assets/audio/narration.mp3",
"speech_rate": 0,
"enable_timestamp": True,
})
Oder rufe den Provider direkt auf:
from tools.audio.doubao_tts import DoubaoTTS
result = DoubaoTTS().execute({
"text": "短样本试听文本。",
"voice_id": "zh_female_vv_uranus_bigtts",
"output_path": "projects/my-video/assets/audio/doubao_sample.mp3",
})
Der Provider schreibt:
output_path: heruntergeladene Audiodateimetadata_path: vollständige Antwort-JSON der Abfrage, standardmäßig<output_path>.json
Empfohlener Workflow
- Generiere zuerst eine 10-15 Sekunden lange Probe, bevor du die vollständige kostenpflichtige Erzählung erstellst.
- Bitte den Nutzer, die Natürlichkeit der Stimme, den Akzent und die Geschwindigkeit zu genehmigen.
- Generiere die vollständige Erzählung erst nach Genehmigung.
- Behalte die Abfrage-JSON. Sie ist die Quelle der Wahrheit für das Untertitel-Timing.
- Erstelle Untertitel aus
sentences[].words[], nicht aus der geschätzten Textlänge. - Gruppiere Untertitel nach chinesischen semantischen Phrasen, bevor du Zeitstempel anwendest. Teile nicht nur nach einer festen Zeichenanzahl – das kann Phrasen wie "在不押单个公司的情况下" oder "可能会被慢慢稀释" zerbrechen und das Verständnis beeinträchtigen.
- Lasse die Videodauer dem genehmigten Sprachrhythmus folgen, es sei denn, der Nutzer bittet explizit darum, eine frühere Laufzeit zu erreichen.
Parameter
voice_id: Doubaospeaker/ Stimmentyp. StandardmäßigDOUBAO_SPEECH_VOICE_TYPE.resource_id: Verwendeseed-tts-2.0für Doubao Speech 2.0 Stimmen.speech_rate:0ist normal,100ist 2x,-50ist 0.5x.sample_rate: Standard24000.enable_timestamp: Standardtrue.return_usage: Standardtrue, fordert Nutzungsmetadaten an, wenn verfügbar.
Übergib additions.explicit_language standardmäßig nicht. Manche Endpunkt/Key-Kombinationen lehnen zh-cn mit unsupported additions explicit language zh-cn ab.
Für ruhige Mandarin-Erklärvideos beginne mit speech_rate: 0. Wenn das Ergebnis zu lang für das genehmigte Format ist, erstelle eine kurze Vergleichsprobe mit speech_rate: 25 oder 50, bevor du die vollständige Erzählung neu generierst. Beschleunige nicht nur, um die Dauer eines vorherigen Anbieters zu erreichen, wenn der Nutzer das natürliche Tempo von Doubao bevorzugt.
Fehlerbehebung
load grant: requested grant not found: Falscher Key-Typ oder falscher Auth-Header. VerwendeX-Api-Keyfür neue Konsolen-API-Keys.speaker permission denied: Stimmen-ID ist falsch oder für die ausgewählte Ressource nicht autorisiert.quota exceeded: Kontingent, Lebensdauerzeichen oder Parallelität überschritten.- Fehlende Zeitstempel: Überprüfe
enable_timestamp: true, behalte die Abfrage-JSON und bestätige, dass der ausgewählte Endpunktsentenceszurückgegeben hat.
Sicherheit
Gib niemals den API-Key in Logs, Metadaten, Patches oder Projektartefakten aus oder schreibe ihn dorthin. .env.example sollte nur leere Variablennamen enthalten.