Paxa TTS Flash v2 文本转语音新增 Temperature 与停顿标签

过去，同一音色朗读同一句话，每次请求返回的节奏都会略有不同。旁白可以利用这种变化。电话语音菜单、要播放成千上万次的应用提示音，或为配合剪辑而重新生成的台词，则需要与团队审定的版本接近的读法。

今天，Paxa TTS Flash v2 新增两项控制。Temperature 决定朗读在每次请求之间的变化程度。停顿标签在您写下它的位置插入设定时长的静默。两者在控制台和 API 中都能使用。

Foi Thong 朗读同一句话，在 0、0.5 和 2 各读两次

Temperature#

Temperature 的取值范围是 0 到 2，步长为 0.1，默认值为 0.5。它改变朗读在每次请求之间的节奏、停顿、呼吸和语调。未传入该字段的请求按 0.5 朗读，变化比以前的请求更小。

设为 0 时，朗读变化最小。同一音色朗读同一段文字，每次请求的节奏和语调最接近，两次朗读仍可能不同。
设为默认值 0.5 时，朗读在每次请求之间略有变化。不传该字段与传入 0.5 是同一个请求。
设为 2 时，朗读变化最大。

Temperature 与指令搭配#

指令决定情绪，Temperature 决定这种读法的变化程度。Kaprao 用 [sad] 读一句话，再用 [angry] 读另一句，每句在 0 和 2 各读两次。

Kaprao 用 [sad] 和 [angry] 朗读两句话，每句在 0 和 2 各读两次

较低的 Temperature 适合带指令、需要反复播放的台词，例如应用提示音或游戏角色的回复。较高的值能为一个场景提供几个不同的版本以供挑选。

在控制台的语音工具中，Temperature 是语速下方的滑块，0 处标为“更稳定”，2 处标为“更具创意”。滑块位于 0.5 时显示“默认”，位于其他位置时显示“重置”按钮。深层链接和分享链接都会保留这个值。

在 API 中，POST /v1/tts、OpenAI 兼容的语音端点和实时连接的 start 帧都有 temperature 字段。任何 Temperature 下，请求费用都相同。

curl -X POST https://api.paxalabs.com/v1/tts \
  -H "Authorization: Bearer $PAXA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "สวัสดีครับ ยินดีต้อนรับสู่ Paxa Labs",
    "voice": "khanomkrok",
    "model": "paxa-tts-flash-v2",
    "temperature": 0
  }' \
  --output speech.mp3

import { writeFile } from "node:fs/promises";

const response = await fetch("https://api.paxalabs.com/v1/tts", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.PAXA_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    text: "สวัสดีครับ ยินดีต้อนรับสู่ Paxa Labs",
    voice: "khanomkrok",
    model: "paxa-tts-flash-v2",
    temperature: 0,
  }),
});

if (!response.ok) throw new Error(`TTS failed: ${response.status}`);
await writeFile("speech.mp3", Buffer.from(await response.arrayBuffer()));

import os
import requests

response = requests.post(
    "https://api.paxalabs.com/v1/tts",
    headers={"Authorization": f"Bearer {os.environ['PAXA_API_KEY']}"},
    json={"text": "สวัสดีครับ ยินดีต้อนรับสู่ Paxa Labs", "voice": "khanomkrok", "model": "paxa-tts-flash-v2", "temperature": 0},
)
response.raise_for_status()

with open("speech.mp3", "wb") as f:
    f.write(response.content)

Paxa TTS Flash v2 支持 Temperature。Paxa TTS Flash 保留自身的变化方式，只接受取整后为 0.5 的值，其他值会在扣费前返回 400 validation。Temperature 指南说明了设计音色的情况，以及带 Idempotency-Key 的重试。

停顿标签#

停顿标签会在它前面那个词之后加入静默。您可以写命名时长 [short pause]、[pause] 或 [long pause]，也可以写精确时长，例如 [pause 300ms]。Paxa TTS Flash v2 的每个音色都能读取停顿标签，Paxa TTS Flash 一个也不读取。

Nom Yen 朗读同一句话，依次加入每种停顿

无停顿Nom Yen0:02
[short pause]Nom Yen0:02
[pause]Nom Yen0:02
[long pause]Nom Yen0:02
[pause 500ms]Nom Yen0:02

命名停顿的时长取决于标签前那个词的语言。

语言	`[short pause]`	`[pause]`	`[long pause]`
泰语	130 ms	180 ms	460 ms
中文	100 ms	140 ms	360 ms
英语及其他语言	120 ms	170 ms	460 ms

[pause 300ms]、[pause 0.3s] 和 [pause:300] 是同一个停顿。不带单位的数字按毫秒计。
精确时长会取整到最接近的 10 ms，最长 500 ms。更长的时长（例如 [pause 1s]）按 500 ms 播放。
停顿会叠加在朗读本身在该词后留下的间隙上。同一个标签放在句号后，产生的静默比放在句中更长。
无论语速如何，停顿时长都不变。

停顿标签也是文本，其字符与其他字符一样计入请求的长度和费用。停顿指南包含其余细节，包括实时连接中的用法。

此次发布的其他更新#

[emphasis] 现在作为指令读取，与 [whispering]、[excited] 相同。

常见问题#

Temperature 会影响价格吗？#

从 0 到 2，任何 Temperature 下请求费用都相同。

设为 0 时，两次朗读有多接近？#

节奏、停顿和语调都比其他任何设置下更接近。两次结果不保证一致。

停顿可以超过 500 ms 吗？#

单个标签最多停顿 500 ms。更长的标签按 500 ms 播放，不会被拒绝。