文字轉語音 LLM：能與不能

簡短回答：LLM 撰寫指令，而非聲音

當人們搜尋 文字轉語音 LLM 時，常想像有一個模型能讀取句子並回傳音訊檔。大型語言模型並非如此運作。它們讀寫文字。聲音來自專門為音訊設計的獨立模型，該模型以文字描述為輸入。

這種分工很有用，因為描述的品質至關重要。模糊的請求（如「放鬆音樂」）讓音訊模型難以發揮。具體的請求若指明流派、速度、樂器、情緒、結構與長度，則能提供更多資訊。大量且格式一致地撰寫具體描述，是語言模型的擅長領域。

本站提供正是這一半：相容 OpenAI 的文字 API。它無音訊生成、無嵌入（embeddings）與微調功能。若你需要音訊本身，請搭配能產生音訊的工具，並將此端點作為其前方的撰寫步驟。我們與任何音訊供應商無隸屬關係，請查閱各工具的官方文件以了解其輸入規則。

文字模型在音訊管線中的協助

適合的任務是輸出為文字的任務：

• 提示詞撰寫。 將粗略概念轉為包含流派、速度、配器與情緒的詳細描述。
• 歌詞與腳本。 歌曲的段落與副歌，或播客開場、有聲書章節的旁白腳本。
• 變體。 從單一概念產生十個替代提示詞，以便測試多個方向。
• 元資料。 音訊產生後的標題、描述、標籤與曲目註解。
• 修訂。 當結果未達預期時，根據你的回饋筆記修訂提示詞。

此模型針對合法成人用途調整，可無內容審查地回答，這對於富含小說的音訊（如黑暗敘事、恐怖戲劇或成熟遊戲對話）很重要，因為較嚴格的模型可能會拒絕完全合理的請求。唯一的底線是，涉及未成年人的性內容絕對禁止，且金鑰不得用於此目的。

我們的 影片提示詞頁面 涵蓋了相同的概念用於影片工具；先撰寫結構化描述、再交給生成器的模式可跨媒體應用。

實作範例：輸入一個概念，輸出結構化提示詞

將資料餵給下游工具最可靠的方式是結構化輸出。JSON 模式（response_format: {"type":"json_object"}）讓模型回傳 JSON 物件，讓你的腳本能讀取具名欄位，而非解析段落。以下是使用 OpenAI SDK 向此端點發送請求的 Python 腳本。

Copyimport json, os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.stableaudio.top/v1",
    api_key=os.environ["UNCENSORED_API_KEY"],
)

system = (
    "You write prompts for text-to-audio tools. Return a JSON object with keys: "
    "genre, tempo_bpm, instruments (list), mood, structure, duration_seconds, prompt. "
    "The prompt field is one paragraph, no more than 60 words."
)

resp = client.chat.completions.create(
    model="uncensored",
    messages=[
        {"role": "system", "content": system},
        {"role": "user", "content": "A tense chase scene in a rain-soaked neon city."},
    ],
    response_format={"type": "json_object"},
    temperature=0.8,
)

spec = json.loads(resp.choices[0].message.content)
print(spec["prompt"])

在系統提示詞中保留 JSON 字詞，並列出你需要的金鑰。模型因此會有明確的目標。在將結果傳送至下一環節之前，請先驗證結果：檢查 tempo_bpm 是否為數字，且 instruments 是否為列表；若不符合則重試一次。

相同的 curl 請求，用於快速檢查，如下所示：

Copycurl https://api.stableaudio.top/v1/chat/completions \
  -H "Authorization: Bearer $UNCENSORED_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "response_format": {"type": "json_object"},
    "messages": [
      {"role": "system", "content": "Return JSON with keys mood and prompt for a text-to-audio tool."},
      {"role": "user", "content": "A quiet morning in a mountain village."}
    ]
  }'

撰寫音訊模型可用的提示詞

語言模型會寫出你要求的任何形式的提示詞，因此真正的任務在於決定形狀。幾條規則在大多數音訊工具中都適用。

按工具想要的順序與格式提供內容

閱讀音訊工具的說明文件並複製其詞彙。如果它回應方括號區塊標籤或逗號分隔的描述符樣式行，請在系統提示詞中放入該確切格式的範例。模型會緊密模仿範例。

提供具體名詞

"稀疏鋼琴、刷擊鼓、直立式貝斯、黑膠爆音" 勝過 "不錯的爵士氛圍"。告訴模型命名樂器、速度範圍和質感，並避免填充形容詞。

在指令中設定長度限制

許多音訊工具會限制提示詞長度。將限制寫入系統提示詞（"不超過 60 個字"）並在程式碼中執行。模型在詞數控制上不穩定，因此當檢查失敗時請截斷或重試。

保持回饋迴圈

聽到結果後，請將你的意見回饋回去：「後半段太擁擠，鼓聲太大，請保留調性。」第二次請求可以將此意見帶入上下文，以修正先前的提示詞。100,000-token 的上下文視窗意味著你可以保留長長的嘗試歷史，讓模型學習你持續拒絕的內容。

將模型串連至音訊生成器

黏合程式碼很短。產生規格、驗證它，然後將 prompt 欄位傳給你使用的任何音訊服務。音訊呼叫顯示為佔位符，因為每個供應商的介面不同；請從其說明文件中取得其參數。

Copydef make_spec(idea: str) -> dict:
    r = client.chat.completions.create(
        model="uncensored",
        messages=[
            {"role": "system", "content": system},
            {"role": "user", "content": idea},
        ],
        response_format={"type": "json_object"},
    )
    return json.loads(r.choices[0].message.content)

ideas = ["Lo-fi study beat", "Epic orchestral trailer hit", "Haunted music box"]
for idea in ideas:
    spec = make_spec(idea)
    # send spec["prompt"] to your audio generator here
    print(idea, "->", spec["prompt"][:80])

若以並行方式對列表執行此操作，請注意限制。完整金鑰允許 8 個並行請求和每分鐘 300 個請求；試用金鑰允許 2 個和每分鐘 60 個。出現 concurrency 的 429 錯誤表示同時請求過多，rate_limited 表示每分鐘請求過多，而 Retry-After: 5 標頭表示等待五秒後再試。將執行緒池大小設為符合你的限制，並加上重試機制即可。

API 文件 列出支援的參數，包括 temperature、top_p、stop 與 seed。固定的 seed 有助於在調整系統提示詞時產生可重複的提示詞。

大規模的歌詞、旁白與元資料

提示詞只是音訊專案所需文字的一種。一旦管線運行，同一個端點可撰寫其他部分，並可重複使用先前腳本的客戶端物件。

旁白腳本

針對口語音訊，請要求帶有固定標記的舞台指示腳本，例如段落之間的停頓標記，以及說話者應放慢速度的註記。告訴模型目標朗讀時間。一個常見的經驗法則是，朗讀者每分鐘讀約 150 個字，因此兩分鐘的片段大約需要 300 個字；請要求該字數，然後在程式碼中計算字數。

具有固定結構的歌詞

要求具名段落、押韻方案和每行的音節範圍。模型遵循 "四行，ABAB，每行八到十個音節" 的效果遠優於 "一首不錯的押韻詩"。之後在程式碼中執行檢查，並要求僅重寫失敗的段落。

標題、標籤與描述

音訊產生後，將最終提示詞與歌詞送回模型，要求三個標題選項、五個標籤與兩句描述。這是便宜且重複的工作，非常適合文字模型。

故事與遊戲

小說音訊（例如恐怖系列、互動故事或遊戲對話）通常包含黑暗或成人主題。該模型針對合法成人用途進行了調整，可無內容審查地回答，因此符合該類型風格的請求不會遭到說教。禁止涉及未成年人的性內容的規則保持絕對。

如果你將長腳本串流輸出至螢幕，請設定 stream: true 並在資料塊到達時讀取它們；用量會在串流結束時報告。

撰寫一千個提示詞的成本

文字成本遠低於音訊處理步驟。費率為每 1M 輸入 token $0.15，每 1M 輸出 token $0.50，從預付額度扣款，無訂閱費。

假設每個請求發送約 600 個 token（系統訊息加概念）並回傳約 300 個 token 的 JSON。對於 1,000 個請求：

• 輸入：600,000 個 token x $0.15 / 1M = $0.09
• 輸出：300,000 個 token x $0.50 / 1M = $0.15
• 總計：$0.24

因此，一千個完成的提示詞成本約為二十四美分，失敗或被拒絕的請求不會計費。新帳戶可以在 金鑰頁面 上一鍵領取 $0.50 的試用額度，無需信用卡，有效期為 7 天，大約可執行兩千個上述大小的提示詞。此後，儲值從 $20 起跳；請參閱 定價 查看獎勵等級和付款方式。提示詞不會用於訓練。

更多指南

• 無需 API 金鑰的 LangChain 與 LangGraph
• 用於影片提示詞的無審查文字 API