Any2Speech

所有能力通过同一套 API 完成，由 instruction 字段决定最终形态。内置免费公开 Key，无需注册。

运行环境：需要 curl 和 python3（用于 JSON 解析）；飞书发送可选需要 ffmpeg/ffprobe。

bash
BASE=https://miplus-tts-public.ai.xiaomi.com
APIKEY=${APIKEY:-sk-anytospeech-pub-free}

Step 1 · 确认输入

用户给了什么	sourcetype	curl 参数
文字内容	text	-F sourcetype=text -F text=内容
网页链接

url | -F source_type=url -F url=链接 | | 本地文件 | file | -F source_type=file -F file=@/路径/文件 | | 参考音色文件 + 文字 | → VP 流程 | 跳到 Step 3-VP | | 参考音色文件 + 选模板 | → VP 模板 | 跳到 VP 模板章节（不需要文字） |

来源缺失时：停下来问请提供文字内容、网页链接或文件路径，不要猜测或用空值执行。

文件路径安全：仅接受用户在当前对话中明确提供的路径。不要自行扫描目录或猜测文件；不要读取 ~/.ssh、~/.env、~/.config 等敏感路径。

VP 判断：用户提供了参考音色文件（wav/mp3/m4a/flac/ogg/webm），或说了用我的声音、克隆音色、参考这段录音等 → 走 Step 3-VP。用户说了用模板或指定模板名 → 走 VP 模板（不需要文字）。VP 的一步式和两步式需要 text，模板不需要。

Step 2 · 构造 instruction

instruction 控制合成形态。选择逻辑：用户明确描述了风格 → 直接用；只说帮我读 → 留空（单人朗读）；说了场景没细节 → 从下表取最近的；英文输入 → 加 English 关键词。

场景	中文 instruction	English instruction
两人播客	两人播客，一人理性分析，一人感性追问，偶尔插嘴，5分钟内	Two-host podcast, one analytical, one curious, with interruptions, under 5 min
相声

传统相声，甲逗哏（语速快、北京腔），乙捧哏（沉稳正经），至少两个包袱 | — |
| 新闻播报 | CCTV 新闻联播风格，先播导语，再逐条播报，结尾有总结语 | CNN anchor style, lead-in then item-by-item, closing summary |
| 辩论 | 正反双方，正方激情澎湃，反方逻辑冷静，各做30秒总结陈词 | Pro vs Con, pro passionate, con logical, 30s closing each |
| Rap | 押韵，节奏感强，两人 battle，明显停顿和连读节奏 | Rhyming rap battle, two performers, strong rhythm |
| 脱口秀 | 单人独白，幽默有深度，有停顿节奏感，偶尔自嘲 | Solo monologue, witty and deep, rhythmic pauses |
| 有声书 | 第三人称叙述，情绪随剧情起伏，遇到对话切换人物语气 | Third-person narration, emotion follows plot, voice-switch for dialogue |
| 情感电台 | 深夜电台，低沉磁性男声，语速缓慢 | Late-night radio, deep magnetic male voice, slow pace |
| 单人 TTS | 女声，职业干练，语速偏快 | Female, professional tone, slightly fast |

可叠加控制：语种（英文/中英混合）、音色（声音醇厚磁性）、情绪弧线（开场铺垫，中段碰撞，结尾升华）、互动（允许插话）、环境音（加观众笑声）、时长（10分钟内）、口音（东北腔/British accent）。建议核心控制点 ≤ 5 个。

Step 3 · 选接口并执行

默认走同步，切异步条件：504 超时 / 文件输入 / 文本超 1000 字。

同步

bash
OUTPUT=output_$(date +%s).wav
curl -X POST $BASE/v1/audio/generate \
-H Authorization: Bearer $API_KEY \
-F source_type=text \
-F text=内容 \
-F instruction=风格描述 \
--max-time 600 \
--output $OUTPUT
echo ✓ 保存至 $OUTPUT

异步（504 / 文件 / 长文本）

bash
OUTPUT=output_$(date +%s).wav
JOB=$(curl -s -X POST $BASE/v1/audio/jobs \
-H Authorization: Bearer $API_KEY \
-F source_type=text \
-F text=内容 \
-F instruction=两人播客，一人理性分析，一人感性追问，5分钟内 \
| python3 -c import sys,json; print(json.load(sys.stdin)[job_id]))
echo 已提交: $JOB

for i in $(seq 1 60); do
STATUS=$(curl -s -H Authorization: Bearer $API_KEY \
$BASE/v1/audio/jobs/$JOB \
| python3 -c import sys,json; print(json.load(sys.stdin)[status]))
[ $STATUS = done ] && break
[ $STATUS = failed ] && echo 生成失败 && exit 1
sleep 10
done
[ $STATUS != done ] && echo 轮询超时 && exit 1

curl -s -H Authorization: Bearer $API_KEY \
$BASE/v1/audio/jobs/$JOB/download --output $OUTPUT
echo ✓ 保存至 $OUTPUT

Step 3-VP · 参考音频克隆（Voice Prompt）

VP 接口与标准接口共用同一个 $BASE 和 $API_KEY。

默认走一步式——Agent 场景下一次调用最简洁。仅当用户明确要求先看脚本或指定谁演谁时才用两步式。

多人角色与参考音频的对应关系：如果需要确认每个说话人用哪段参考音频，优先走两步式 think -> synthesize。先用 think 拿到 speakers 和 scriptlines，向用户确认角色列表，再按 voicefile_{角色名} 精确上传；不要只依赖上传顺序。多文件在字段名不匹配时按上传顺序兜底。

单文件行为差异：一步式（generate/jobs）传 1 个参考音频时，服务端自动注入单人朗读提示，强制生成单角色脚本；两步式 synthesize 无此限制，单文件会被复制给所有角色。因此多人场景只有 1 个参考音频时，应走两步式。

一步式（默认）

一次调用完成规划 + 合成。单人传一个 voicefile角色名，多人传多个。

bash
OUTPUT=vp_$(date +%s).wav
curl -X POST $BASE/v1/audio/vp/generate \
-H Authorization: Bearer $API_KEY \
-F source_type=text \
-F text=要合成的文本内容 \
-F instruction=两人播客，一人理性分析，一人感性追问 \
-F voicefile主持人A=@/path/to/host_a.wav \
-F voicefile主持人B=@/path/to/host_b.mp3 \
-F denoise=1 \
--max-time 600 \
--output $OUTPUT

单人场景只需一个 voicefile主播=@ref.wav。异步版用 $BASE/v1/audio/vp/jobs 提交，轮询方式与标准异步相同（加 voicefile* 和可选 denoise 字段）。

两步式（用户要求预览脚本 / 指定角色映射 / 多次合成时使用）

第一步 think：LLM 规划，返回角色列表 + 可编辑脚本。

bash
THINK=$(curl -s -X POST $BASE/v1/audio/vp/think \
-H Authorization: Bearer $API_KEY \
-F source_type=text \
-F text=要合成的文本内容 \
-F instruction=两人