文本转音频 LLM：能做什么与不能做什么

简短回答：LLM 编写指令，而非生成声音

当人们搜索 文本转音频 LLM 时，常误以为有一个模型能读取句子并返回音频文件。大型语言模型做不到这一点。它们读取和编写文本。声音来自专为音频构建的独立模型，该模型以文本描述为输入。

这种分工很有用，因为描述的质量至关重要。模糊的请求（如“放松音乐”）让音频模型难以处理。具体的请求指明流派、节奏、乐器、情绪、结构和长度，则能提供更多信息。以一致格式批量编写具体描述，是语言模型擅长的工作。

本网站提供恰好这一半功能：一个 OpenAI 兼容的文本 API。它没有音频生成、嵌入或微调功能。如果你需要声音本身，请将其与生成声音的工具配对，并将此接口用作其前的编写步骤。我们与任何音频供应商均无关联，因此请查阅各工具各自的文档以了解其输入规则。

文本模型在音频管线中何处提供帮助

适合的任务是输出为文字的任务：

• 提示词编写。 将粗略想法转化为包含流派、节奏、配器和情绪的详细描述。
• 歌词和脚本。 歌曲的主歌和副歌，或播客简介或有声书章节的旁白脚本。
• 变体。 从一个概念生成十个替代提示词，以便试听并评估多个方向。
• 元数据。 音频生成后的标题、描述、标签和曲目说明。
• 修订。 结果未达预期时，根据你对失败原因的分析重写提示词。

此模型经过调整，可在合法成人使用中无内容拒绝地回答，这对于以小说为主的音频（如黑暗叙事、恐怖剧或成熟游戏对话）很重要，更严格的模型可能会拒绝完全合理的请求。唯一的硬性限制是：不允许涉及未成年人性行为的内容，且密钥不得用于此目的。

我们的 视频提示词页面 涵盖了针对视频工具的相同理念；先编写结构化描述再交给生成器的模式适用于各种媒体。

工作示例：输入一个想法，输出结构化提示词

向下游工具提供数据最可靠的方式是结构化输出。JSON 模式（response_format: {"type":"json_object"}）使模型返回 JSON 对象，这样你的脚本可以读取命名字段，而不是解析段落。以下是使用 OpenAI SDK 针对此接口的 Python 脚本。

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"])

在系统提示词中保留单词 JSON 并列出你需要的键。模型随后会有明确的目标。在发送之前验证结果：检查 tempo_bpm 是否为数字，instruments 是否为列表，如果不是则重试一次。

curl 中的相同请求（便于快速检查）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."}
    ]
  }'

编写音频模型可用的提示词

语言模型会生成你要求的任何形状的提示词，因此真正的工作是确定形状。以下规则在大多数音频工具中均适用。

按工具要求的顺序说出工具想要的

阅读音频工具的文档并复制其词汇表。如果它响应方括号章节标签或逗号分隔的描述符样式行，请在系统提示词中放入该确切格式的示例。模型会紧密模仿示例。

提供具体名词

"稀疏钢琴、刷鼓、原声贝斯、黑胶爆音"优于"不错的爵士感"。指示模型命名乐器、节奏范围和纹理，并避免填充形容词。

在指令中设置长度限制

许多音频工具限制提示词长度。将限制放入系统消息（"不超过 60 个单词"）并在代码中强制执行。模型在单词计数上容易波动，因此当检查失败时截断或重试。

保持反馈循环

听到结果后，将笔记反馈回去："后半部分太满，鼓声太大，保持调性。"第二次调用可以结合该笔记修订之前的提示词。100,000-token 上下文窗口意味着你可以携带大量的尝试历史，如果你希望模型学习你不断拒绝的内容。

将模型与音频生成器链式连接

胶水代码很短。生成规范，验证它，然后将 prompt 字段传递给你使用的任何音频生成服务。音频调用显示为占位符，因为每个供应商的接口不同；请从他们的文档中获取其参数。

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])

如果在列表中并行运行，请注意限制。完整密钥允许 8 个并发请求和每分钟 300 个请求；试用密钥允许 2 个并发请求和每分钟 60 个请求。带有 concurrency 字段的 429 错误表示同时请求过多，rate_limited 表示每分钟请求过多，而 Retry-After: 5 标头表示等待五秒后重试。将线程池大小设置为符合你的限制，并加上重试机制，就足够了。

API 文档 列出了支持的参数，包括 temperature、top_p、stop 和 seed。固定的 seed 有助于在调整系统提示词时获得可重复的提示词。

规模化生成歌词、旁白和元数据

提示词只是音频项目所需的一种文本。一旦管道运行，同一接口可以写入/生成围绕它的其他数据，你可以重用之前脚本中的客户端对象。

旁白脚本

对于语音音频，请要求提供带有固定标记的舞台指示的脚本，例如段落之间的停顿标记和说话者应放慢语速的说明。告诉模型目标朗读时间。一个常见的经验法则是，旁白每分钟朗读约 150 个单词，因此两分钟的内容需要大约 300 个单词；要求提供该数字，然后在代码中统计单词数。

具有固定结构的歌词

要求命名段落、押韵方案和每行的音节范围。模型对“四行，ABAB，每行八到十个音节”的遵循程度远优于“优美的押韵诗节”。之后在代码中运行检查，并要求仅重写失败的段落。

标题、标签和描述

音频生成后，将最终提示词和歌词发回模型，要求提供三个标题选项、五个标签和两句描述。这是便宜且重复的工作，非常适合文本模型。

故事与游戏

虚构类音频（如恐怖系列剧、互动故事或游戏对话）通常包含黑暗或成人主题。该模型经过调整，在合法成人用途下会生成内容而不拒绝，因此符合该类型的请求不会收到说教。涉及未成年人的性内容规则依然绝对有效。

如果将长脚本流式输出到屏幕，请设置 stream: true 并在数据到达时读取块；使用情况将在流结束时报告。

编写一千个提示词的成本

文本成本远低于音频生成步骤。输入 token 的费率为每 1M 个 token $0.15，输出 token 的费率为每 1M 个 token $0.50，从预付额度中计费，无订阅费用。

假设每个请求发送约 600 个 token（系统消息加想法）并返回约 300 个 token 的 JSON。对于 1,000 个请求：

• 输入：600,000 个 token × $0.15 / 1M = $0.09
• 输出：300,000 个 token × $0.50 / 1M = $0.15
• 总计：$0.24

因此，一千条完成的提示词成本约为二十美分，失败或被拒绝的请求不收费。新账户可以在 密钥页面 上点击一次即可领取 $0.50 的试用额度，无需信用卡，有效期 7 天，足以生成上述规模的约两千条提示词。之后，充值从 $20 起；请参阅 定价 查看奖励层级和支付方式。提示词不用于训练。

更多指南

• 无需 API 密钥的 LangChain 和 LangGraph
• 用于视频提示词的无审查文本 API