音频模型

doubao-tts — 字节跳动豆包语音合成模型。支持多语言、多音色和高度自然的流式音频输出，适合新闻播报与有声读物。
elevenlabs-dialogue — ElevenLabs eleven_v3 多人对白合成：为每行台词指定不同音色（最多 10 个），一次性生成完整对话音频。支持 [giggling]、[whispers] 等情绪标签，适合角色对白、播客与短剧。选择音色前，可以从 elevenlabs-search 检索合适的音色。
elevenlabs-music — ElevenLabs music_v1 音乐生成模型，根据自然语言提示生成 10–300 秒原创音乐。适合 BGM、广告配乐与短视频音轨。
elevenlabs-search — 搜索 ElevenLabs 人声库：按关键词、来源、分类筛选可用音色，返回每个音色的试听样本，便于挑选后用于 TTS 配音。只给一个英文描述词检索（如 deep / young / narrative）；多给词只会收窄结果，整句通常一个都搜不到。
elevenlabs-sfx — ElevenLabs 文本生音效模型，根据描述生成 1–22 秒短音效。适合拟音、环境声、提示音与游戏音效。
elevenlabs-tts — ElevenLabs eleven_v3 文本转语音，提供 12 种精选英文/多语种音色，支持稳定性、相似度、风格控制。适合配音、有声内容与角色对话。选择音色前，可以从 elevenlabs-search 检索合适的音色。
elevenlabs-voice-clone — ElevenLabs 即时音色克隆（IVC），上传一段干净人声样本即可复刻自定义音色，可用于 ElevenLabs TTS 配音。
gemini-2.5-tts — 基于 Gemini 的高质量文本转语音。支持双语（中/英）和多种情感音色。
keling-sfx — 音效生成模型：可文本生音效，也可对参考视频生成配套音效/配乐。适合拟音、环境声与短视频声音补全。
keling-tts — 文本转语音模型（TTS），可设置语言、音色、语速与输出格式。适合配音旁白、有声内容和语音播报。
kling-audio-clone — 自定义音色（可灵），复刻音色用于生成配音或与主体绑定
qwen-audio-clone — 阿里云百炼 qwen3-tts 声音复刻，上传一段干净人声样本即可复刻自定义音色，可在后续 TTS 中使用。
qwen-tts — 阿里云百炼 qwen3-tts 文本转语音，支持系统音色（含方言）或通过自然语言描述自定义新音色（声音设计）。
suno-music — Suno V5.5 音乐生成模型。支持灵感模式（自动作词）和自定义模式（手动填曲风/标题/歌词），可生成包含人声或纯器乐的音乐，并通过风格权重、怪异度、音频权重细调输出。
vidu-audio-clone — 复刻真人音色，并使用该音色朗读指定文本。