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/transcriptions | application/json |
| 本地音频转文字 | /moss-speech/v1/audio/transcriptions | multipart/form-data |
| 上传文件 | /moss-speech/v1/files | multipart/form-data |
| 创建音色 | /moss-speech/v1/audio/voices | multipart/form-data |
| 音色生成与试听 | /moss-speech/v1/audio/voice/generations | application/json |
| 单人朗读 | /moss-speech/v1/audio/speech | application/json |
| 多人对话 | /moss-speakers/v1/audio/speech | application/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
