文本转语音与语音克隆助手（通过 Verbatik）

通过 Verbatik API 自主生成语音、克隆声音并管理音频。

初始化设置

1. 在 api.verbatik.com 创建 Verbatik 账户
2. 充值预付余额（设置 → 账单）
3. 生成 API 密钥（设置 → API 密钥）
4. 保存您的 API 密钥：

   VERBATIK_API_KEY=vbt_your_api_key_here
   

认证方式

所有请求均使用 Bearer Token 认证：

Authorization: Bearer 

基础 URL：https://api.verbatik.com

MCP（Model Context Protocol）

Verbatik 还提供一个 MCP 服务端，用于直接集成 AI 助手。端点地址如下：

https://api.verbatik.com/api/mcp/mcp

支持 OAuth 2.1（可在 Claude Desktop 中一键连接）以及通过 mcp-remote 桥接器进行的 API 密钥认证。

核心工作流

1. 列出可用语音

GET /api/v1/voices

查询参数：

• language — 按语言代码筛选（例如：en-US、fr-FR）
• gender — Male、Female 或 Neutral
• search — 按语音名称搜索

返回语音数组，包含字段：id（slug）、name、gender、language_code、language_name、is_neural、sample_url、styles。

2. 文本转语音（预训练语音）

POST /api/v1/tts
Content-Type: text/plain
Authorization: Bearer 
X-Voice-ID: jenny-en-us
X-Store-Audio: true

Hello, this is a test of the Verbatik text-to-speech API.

请求头说明：

• Content-Type — text/plain 或 SSML 使用 application/ssml+xml
• X-Voice-ID — 语音 slug（例如：jenny-en-us）；若省略则默认为 Jenny
• X-Store-Audio — 设为 true 将返回已存储的音频 URL；设为 false 则返回二进制音频流

最大文本长度：50,000 字符。超长文本将自动分块处理。

费用：每 1,000 字符 $0.002

响应（当 X-Store-Audio: true 时）：

{
  "success": true,
  "audio_url": "https://...",
  "characters_processed": 52,
  "chunks_processed": 1,
  "response_time_ms": 1200,
  "cost_cents": 1
}

响应（当 X-Store-Audio: false 时）：二进制音频流，元数据通过响应头返回（X-Characters-Processed、X-Cost-Cents、X-Balance-Cents）。

3. 克隆语音

POST /api/v1/voice-training
Content-Type: application/json
Authorization: Bearer 

{
  "audio_url": "https://example.com/sample.mp3",
  "name": "My Voice",
  "noise_reduction": true,
  "volume_normalization": true,
  "preview_text": "Hello, this is a preview of my cloned voice!"
}

要求：

• 音频至少包含 10 秒清晰人声
• 支持格式：.mp3、.wav（最大 20MB）
• 费用：每次克隆 $3.00

响应：

{
  "success": true,
  "voice_id": "uuid-here",
  "name": "My Voice",
  "fal_voice_id": "...",
  "preview_url": "https://...",
  "cost_cents": 300
}

4. 使用克隆语音生成语音

POST /api/v1/voice-cloning
Content-Type: text/plain
Authorization: Bearer 
X-Voice-ID: 
X-Store-Audio: true

Hello from my cloned voice!

可选语音控制请求头：

• X-Speed — 取值范围 0.5 至 2.0（默认为 1）
• X-Volume — 取值范围 0 至 10（默认为 1）
• X-Pitch — 取值范围 -12 至 12（默认为 0）
• X-Emotion — happy、sad、angry、fearful、disgusted、surprised、neutral
• X-Format — mp3、pcm、flac（默认为 mp3）
• X-Language-Boost — 待增强的语言（例如：English、French、Japanese）
• X-Sample-Rate — 8000、16000、22050、24000、32000、44100
• X-Bitrate — 32000、64000、128000、256000

语音修改功能（Speech 2.8 Turbo）：

• X-Voice-Modify-Pitch — -100 至 100
• X-Voice-Modify-Intensity — -100 至 100
• X-Voice-Modify-Timbre — -100 至 100

支持文本内插入语气词标签：(laughs)、(sighs)、(coughs)、(clears throat)、(gasps)、(sniffs)、(groans)、(yawns)

支持暂停标记：<#x#>，其中 x 为 0.01–99.99 秒

最大文本长度：5,000 字符。费用：每 1,000 字符 $0.10

5. 管理已克隆语音

列出所有已克隆语音：

GET /api/v1/my-voices

可选查询参数：status — pending、ready 或 failed

获取指定语音详情：

GET /api/v1/my-voices/

删除语音：

DELETE /api/v1/my-voices/

6. 预览预训练语音

GET /api/v1/preview/

返回二进制音频预览。无需认证。缓存有效期为 24 小时。

定价

所有用量均从您的预付余额中扣除。支持自动充值。

错误处理

使用提示

• 如需可分享的音频 URL，请始终使用 X-Store-Audio: true；二进制模式适用于流式传输
• 预训练语音请使用 voice slug（例如：jenny-en-us），而非内部 ID
• 克隆语音请使用 voice-training 或 my-voices 接口返回的 UUID
• 为获得最佳效果，请使用背景噪声最小的高质量音频进行克隆
• 若源音频质量不佳，克隆时请启用 noise_reduction: true
• 克隆语音在连续 7 天未使用后将自动过期 — Verbatik 会通过定时任务自动刷新
• 执行大批量任务前，建议先使用 estimate_cost MCP 工具预估费用
• 批量操作前请检查账户余额，避免触发 402 错误
• 对克隆语音启用情绪与语速控制，可显著提升输出自然度
• 预训练语音支持 SSML — 请设置 Content-Type: application/ssml+xml