让机器开口说话这件事，讯飞做了二十多年：语音合成能力版图与接入实战

看懂一款 TTS 引擎的可靠程度，光听两段 demo 不够，更值得看的是它的时间纵深——合成效果可以靠一次模型升级追上来，但音色资产、工程稳定性和行业适配是逐年沉淀的。

• 1999 年科大讯飞在合肥成立，创始团队来自中国科技大学人机语音通信实验室，创业方向从一开始就锁定智能语音。[5]
• 2008 年公司在深圳证券交易所上市，成为国内语音技术领域最早的上市公司之一，语音合成长期是其电信级业务的基本盘。
• 2010 年讯飞开放平台上线，语音合成与语音识别是最早一批对第三方开发者开放的能力，移动 App 内嵌 TTS 的第一波需求由此被承接。
• 近年在线语音合成扩展出中英粤多语种、川豫陕东北等多方言与十余个小语种发音人，并上线发音人自训练平台：上传 10～15 分钟合规录音即可自动化训练专属音色。[4]

这条曲线的实际意义在于：今天接入的接口背后，是一套已经跑过电信外呼、车载导航、智能硬件等大规模场景的工程体系，而不是一个刚从论文里走出来的原型。

音色库：免费底盘加付费特色层

官方服务说明明确列出了免费赠送的基础发音人：小燕、许久、小萍、小婧、许小宝，覆盖标准男女声与童声；特色发音人则按年授权，文档示例价格为 2 万元/年，实际以控制台报价为准[2]。长文本接口文档还给出了带明确风格标签的新一代音色：

所谓「情感能力」，在这套体系里主要体现为风格化的发音人和可调参数：语速、音量、音高各有 0～100 共 101 档（默认 50），另有背景音开关 bgs、数字读音策略 rdn、英文读音策略 reg 等，足以在同一个音色上调出播报感或讲述感的差异[1]。更细的情感档位因音色而异，以控制台发音人列表为准。

方言与小语种：一张少见的覆盖网

SDK 文档列出的中文语种与方言包括：普通话、英文、粤语、四川话、湖南话、河南话、东北话、陕西话、台湾普通话、山东话、湖北话、合肥话、内蒙古方言[5]。小语种新增日语、韩语、法语、俄语、西班牙语、德语、巴西葡萄牙语、意大利语、越南语、泰语、印地语、乌尔都语、维吾尔语、藏语等，但必须在控制台先开启小语种发音人，否则接口直接报 11200 错误[1]。对区域市场客服、方言短视频这类需求，这张覆盖网在国内供应商里属于明显靠前的位置。

同一套引擎在不同场景里的正确打开方式差别很大，直接决定成品质量与成本：

一句话概括取舍：如果业务主体在中国大陆、且绕不开方言播报或电话线路，讯飞的确定性更高；如果主力市场在海外或强依赖英文克隆表现力，再考虑另外三家，具体能力边界均以各家官方文档为准。

1. 注册讯飞开放平台账号并完成实名认证，进入控制台。
2. 创建应用，拿到 APPID、APIKey、APISecret 三元组，后续签名全靠它们。
3. 在「在线语音合成 → 发音人授权管理」里添加目标发音人；可试用的发音人试用期为添加后的 15 天[2]。
4. 按文档的 HMAC 签名规则构造鉴权 URL，向 wss://tts-api.xfyun.cn/v2/tts 建立 WebSocket 连接[1]。
5. 发送 base64 编码的文本帧，循环接收音频帧、base64 解码并按序拼接；要 mp3 流式返回记得置 sfl=1[1]。

小燕、许久、小萍、小婧、许小宝五个基础发音人由官方免费赠送，新接入也有试用额度；特色发音人按年授权收费，价格以控制台实时报价为准[2]。

在线流式接口单次限 8000 字节以内（约 2000 汉字）；整章、整篇的长内容应改走长文本语音合成接口，单次上限约 10 万字符[3]。

可以。发音人自训练平台接受 10～15 分钟、无噪音无背景音的 wav 录音（单次最多 10 个文件、总量以平台提示为准），自动训练完成后提交 APPID 与版权声明申请商用，通过后即可按接口调用[4]。

商用前提是购买对应发音人授权或套餐；自训练音色在「申请商用」审核通过后，版权归属音频提供方，其余权利义务以官方协议为准[4]。

先换发音人再调参数是官方给出的第一建议：不同音色的自然度差异远大于参数影响；其次检查语速是否压到极端档位，并为文本补充标点帮助引擎断句[1]。

官方区分在线与离线两条产品线：在线版效果好、发音人多，离线版响应快、适合无网设备，具体可授权的离线音色列表以官网为准[2]。