VOICEVOX引擎API接口详解：从语音合成到高级功能全解析

概述

VOICEVOX是一款开源的日语语音合成引擎，其提供的REST API接口让开发者能够轻松集成语音合成功能到各类应用中。本文将深入解析VOICEVOX引擎的API接口，帮助开发者全面了解其功能和使用方法。

核心API功能分类

VOICEVOX的API接口可分为以下几大类：

1. 查询创建类接口

/audio_query - 创建语音合成查询

• 功能：为给定文本生成初始语音合成查询
• 参数：
  • text：要合成的文本内容（必需）
  • speaker：说话人ID（必需）
  • enable_katakana_english：是否将英文转换为片假名（默认true）
  • core_version：核心引擎版本（可选）

/audio_query_from_preset - 使用预设创建查询

• 功能：使用预设配置生成语音合成查询
• 参数：除preset_id替代speaker外，其余与/audio_query相同

/sing_frame_audio_query - 创建歌唱语音合成查询

• 功能：为歌唱语音合成生成初始查询
• 参数：需要提供乐谱数据作为请求体

2. 查询编辑类接口

/accent_phrases - 获取重音短语

• 功能：将文本分解为重音短语
• 特色：支持AquesTalk风格记法解析（is_kana参数）

/mora_data - 获取音素数据

• 功能：从重音短语中提取音素长度和音高
• 应用场景：精细调整语音合成效果

/mora_length和/mora_pitch - 分别获取音素长度和音高

• 功能：单独获取音素的时间长度或音高数据

3. 语音合成类接口

/synthesis - 标准语音合成

• 功能：将查询转换为语音波形
• 参数：
  • speaker：说话人ID
  • enable_interrogative_upspeak：是否自动调整疑问句尾音（默认true）

/cancellable_synthesis - 可取消的语音合成

• 功能：与标准合成相同，但支持取消操作

/multi_synthesis - 批量语音合成

• 功能：一次性合成多个查询，返回ZIP压缩包

/frame_synthesis - 歌唱语音合成

• 功能：专门用于歌唱语音的合成

4. 高级功能接口

/synthesis_morphing - 语音变形合成

• 功能：在两个说话人风格之间进行变形合成
• 参数：
  • base_speaker和target_speaker：基础和目标说话人
  • morph_rate：变形比例（0.0-1.0）

/morphable_targets - 可变形目标查询

• 功能：查询哪些说话人支持语音变形

5. 实用工具接口

/connect_waves - 波形连接

• 功能：将多个base64编码的WAV文件合并为一个

/validate_kana - 假名验证

• 功能：验证文本是否符合AquesTalk风格记法

/initialize_speaker - 说话人初始化

• 功能：预初始化说话人模型以减少首次合成延迟

技术细节解析

AquesTalk风格记法

当is_kana参数设为true时，文本将按照AquesTalk风格记法解析：

• 所有假名必须用片假名书写
• 重音短语用/或、分隔
• 假名前加_表示无声化
• 用'指定重音位置
• 句末加？可生成疑问语气

错误处理

API使用标准的HTTP状态码：

• 200：成功
• 400：客户端错误（如假名解析失败）
• 422：参数验证错误

最佳实践建议

1. 性能优化：对于常用说话人，提前调用/initialize_speaker进行初始化
2. 批量处理：多个文本合成时使用/multi_synthesis接口提高效率
3. 精细控制：通过查询编辑类接口微调语音效果
4. 错误处理：特别注意处理400和422错误，确保参数格式正确

总结

VOICEVOX引擎提供了丰富而强大的API接口，从基础的语音合成到高级的语音变形功能一应俱全。通过合理利用这些接口，开发者可以创建出高度定制化的语音合成应用，满足各种场景需求。无论是简单的文本转语音，还是复杂的歌唱合成，VOICEVOX都能提供专业级的解决方案。