Skip to content

MOSS API 文档 ​

MOSS API 通过 DMXAPI 提供语音转文字、音色创建与生成、文字转语音能力。本文档按使用场景分为三个部分,共七篇使用指南,每篇包含接口地址、模型说明、请求参数、可运行的 Python 示例及返回说明。

1. 语音转文字 ​

将音频或视频转换为文字,根据输入来源选择对应的调用方式。

顺序使用指南适用场景
1音频 URL 转文字已有服务端可直接访问的公网音频或视频链接
2本地音频转文字直接提交本地文件并获得转写结果
3上传文件并使用 file_id 转文字先上传取得文件标识,再用 file_id 转写或重复引用文件

普通转写使用 moss-transcribe-1.0。启用说话人分离、非空热词列表,或选择 diarized_json 输出时,使用 moss-transcribe-diarize-pro。

2. 音色生成 ​

先获得可复用的 voice_id,再用于单人朗读或多人对话。

顺序使用指南输入与结果
1创建音色上传参考录音,创建可复用音色;无需填写 model
2音色生成用文字描述声音并生成试听音频;设置 create_voice=true 时同时创建可复用音色

创建音色的参考录音支持 WAV、MP3、M4A、FLAC,大小不超过 10 MB、时长不超过 30 秒。通过文字描述生成音色时,使用 moss-voice-generator-1.0。

3. 文字转语音 ​

使用已有的 voice_id 将文本合成为音频。示例以 JSON 获取音频 URL,并提供下载到本地的代码。

顺序使用指南适用场景与模型
1单人朗读使用一个音色朗读文本;支持 moss-tts-1.5-flash、moss-tts-1.0-pro
2多人对话为说话人分别配置音色,按文本分段顺序合成对话;使用 moss-ttsd-1.0

单人 Flash 模型支持 language 参数和 [pause 0.1s] 至 [pause 10.0s] 的停顿标记。切换至 Pro 时,需删除该参数并移除停顿标记。

接口速查 ​

下表路径均以 https://www.dmxapi.cn 为前缀,请求方式均为 POST。

功能接口路径请求体
音频 URL / file_id 转文字/moss-speech/v1/audio/transcriptionsapplication/json
本地音频转文字/moss-speech/v1/audio/transcriptionsmultipart/form-data
上传文件/moss-speech/v1/filesmultipart/form-data
创建音色/moss-speech/v1/audio/voicesmultipart/form-data
音色生成与试听/moss-speech/v1/audio/voice/generationsapplication/json
单人朗读/moss-speech/v1/audio/speechapplication/json
多人对话/moss-speakers/v1/audio/speechapplication/json

调用前核对

  • 多人对话的路径前缀是 moss-speakers,其余接口使用 moss-speech。请复制各篇文档中的完整接口地址。
  • file_id 标识转写文件,voice_id 标识合成音色;请分别填入对应的请求字段。
  • 转写请求中的 file、url、audio_url、file_id 四种输入互斥,每次只提交一种。
  • 上传文件时由 requests 自动生成 multipart 的 Content-Type 与 boundary。

© 2026 DMXAPI MOSS API

一个 Key 用全球大模型