Chinda TTS 文字转语音

以三种现成音色之一，或音色库中从女孩到爷爷的另外十种音色，配合八种说话风格之一，或从短音频克隆的音色，朗读泰文或泰英混合文本，返回 48 kHz 的 WAV 或 MP3 文件。

Alpha

服务处于 Alpha 阶段，可能间歇性不可用。

POST/v3/store/audio/tts

另有 1 个端点

试一试

• 价格0.02 IC每 100 字符
• 月度套餐起价500泰铢/月
• 实测95.07%
• 累计调用2.2M次

• v3.0
• 运行中
• 基准报告 (PDF)

输入

text

สวัสดีค่ะ ยินดีต้อนรับค่ะ

voice

kaimook

style

friendly

format

mp3

输出POST /v3/store/audio/tts

HTTP/1.1 200 OK
Content-Type: audio/mpeg
X-Sample-Rate: 48000

<MP3 audio, mono, 48 kHz>

全部字段见“响应”一节其他端点：/clone 见请求

请求

curl -X POST https://api.iapp.co.th/v3/store/audio/tts \
  -H "apikey: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "สวัสดีค่ะ ยินดีต้อนรับค่ะ", "voice": "kaimook", "style": "friendly", "format": "mp3"}' \
  --output speech.mp3

响应

200成功。字段在"响应"一节说明。

HTTP/1.1 200 OK
Content-Type: audio/mpeg
X-Sample-Rate: 48000

<MP3 audio, mono, 48 kHz>

月度套餐

• Voice S每月 2,500,000 字符每月 500 泰铢，折合每1,000 字符 0.2 泰铢
  或每年 5,000 泰铢，省两个月订阅
• Voice M每月 7,500,000 字符每月 1,000 泰铢，折合每1,000 字符 0.133 泰铢
  或每年 10,000 泰铢，省两个月订阅
• Voice L每月 25,000,000 字符每月 2,500 泰铢，折合每1,000 字符 0.1 泰铢
  或每年 25,000 泰铢，省两个月订阅

价格不含 7% 增值税。Chinda TTS 语音合成的所有端点都计入套餐；超出部分每1,000 字符从积分余额扣 0.2 积分（即按量价格）。按月或按年自动扣卡续订，可随时取消，期末生效。

请求

以所选音色朗读使用 JSON，克隆声音使用 multipart/form-data。每个端点均按每 1,000 字符文本 0.2 IC 计费，以 100 字符为单位向上取整：200 字符为 0.04 IC，一百万字符为 200 IC。长期使用可选月度套餐，500 泰铢起，每月 250 万字符。

端点	返回
POST /v3/store/audio/tts	以所选音色与风格朗读的 48 kHz WAV 或 MP3 文件
POST /v3/store/audio/tts/clone	以上传片段的声音朗读的 48 kHz WAV 或 MP3 文件

旧路径 /v3/store/audio/tts/tts 与 /v3/store/audio/tts/tts/clone 指向同样这两个端点。

请求头

apikeystring必填

您的 API 密钥，在控制台的 API Keys 中创建。

请求体

textstring必填

要朗读的文本，最多 1,200 字符（/clone 最多 1,000 字符），约 100 秒音频。更长的文本请在句末拆分，分次发送。

voicestringdefault:kaitom

kaitom、kaimook 或 kaidang，见音色与风格。不适用于 /clone，它以上传的声音朗读。

stylestringdefault:neutral

neutral、friendly、cheerful、calm、serious、sad、excited 或 empathetic。风格改变语气，不改变音色；其他取值会以 400 拒绝。

formatstringdefault:wav

wav 或 mp3。

filefile

仅 /clone，且为必填：同一说话人 10 至 20 秒的干净语音，WAV 或 MP3，最大 20 MB。过短或有噪音的片段会以 400 拒绝。

consentboolean

仅 /clone，且为必填：true，确认该声音属于您或说话人已同意。缺少时请求会以 400 拒绝。

denoisebooleandefault:false

仅 /clone：使用前先去除片段中的背景噪音。

响应

请求头

Content-Typestring

audio/wav；format 为 mp3 时为 audio/mpeg。

X-Sample-Ratestring

48000。

请求体

audiobinary

可直接播放或保存的音频：WAV 文件（16 位，单声道，48 kHz）或 MP3。克隆的返回方式相同。

状态码

代码	含义
400	JSON 格式错误、文本中没有可朗读的内容，或风格未知；/clone 还包括未确认同意，或片段过短、噪音过大
413	文本超过 1,200 字符，或片段超过 20 MB
429	请求超过该密钥的限额；稍候再试
503	服务繁忙；稍后重试

详情

音色与风格

音色	voice	适合
Kaitom，默认	kaitom	男声，适用于各种场景
Kaimook	kaimook	女声，明亮亲切：客服、迎宾
Kaidang	kaidang	男声：播报、语音助手

style	听感	用于
neutral，默认	平实、均衡	信息播报
friendly	温暖、轻松	聊天、客服、迎宾
cheerful	明亮、欢快	促销、好消息
calm	缓慢、柔和、舒缓	引导、安抚
serious	坚定、沉稳	警示、公告、条款
sad	缓慢、轻柔、低沉	慰问、致歉
excited	快速、有活力	庆祝
empathetic	温柔、关怀	敏感话题的支持

每种音色都支持全部风格；全部 24 种组合可在 Chinda TTS 页面试听。文本按原样朗读，因此给 Kaimook 的文本请在 Kaitom 和 Kaidang 说 ครับ 的位置写 ค่ะ 或 คะ。

音色库

另外十种按年龄与性别区分的音色，适用于角色、课程与有声书。每种音色是一段参考音频：将其作为 file 连同文字、style 与 consent=true 发送到 /clone，价格相同，同样每次最多 1,000 个字符。每种音色都支持八种风格；可在 Chinda TTS 页面试听，或在上方演示中直接选择。

音色	年龄	参考音频
女孩	约 8 岁	child-f.mp3
男孩	约 7 岁	child-m.mp3
少女	约 16 岁	teen-f.mp3
少年	约 16 岁	teen-m.mp3
青年女性	约 30 岁	adult-f.mp3
青年男性	约 30 岁	adult-m.mp3
中年女性	约 55 岁	mature-f.mp3
中年男性	约 55 岁	mature-m.mp3
奶奶	约 80 岁	senior-f.mp3
爷爷	约 80 岁	senior-m.mp3

curl -o senior-m.mp3 https://iapp.co.th/audio/chindatts/library/senior-m.mp3
curl -X POST https://api.iapp.co.th/v3/store/audio/tts/clone \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@senior-m.mp3" \
  -F "text=ตาจะเล่านิทานให้ฟังนะหลาน" \
  -F "style=calm" -F "format=mp3" -F "consent=true" \
  --output speech.mp3

女性与女孩的音色，文本中请写 ค่ะ 或 คะ，与 Kaimook 相同。

实测

2026 年 10 月 28 日至 29 日在生产环境测得，使用 120 句公开泰语测试句：FLEURS 60 句（含人名和数字的维基百科句子）与 Common Voice 17.0 60 句（简短的日常句子）。每种音色朗读全部句子，再由语音识别将音频转写回文本。指标为发送文本与识别文本之间的字符错误率，不计空格和标点，越低越好。

指标	结果
默认音色 Kaitom，120 句	4.93%，即 95.07% 的字符被正确读回
3 种现成音色 / 音色库中克隆的 10 种音色	5.40% / 5.06%
13 种音色逐一测得	4.27% 至 5.73%
60 句 Common Voice：现成音色 / 音色库音色 / 录制这些句子的真人	4.72% / 3.13% / 4.60%
Kaitom 的 8 种说话风格，各 30 句	4.20% 至 5.98%（中性 4.59%）
经公开 API 返回的音频，60 句	3.51%
从曼谷经公开 API 每句的中位用时：现成音色 / 克隆音色	1.47 秒 / 4.38 秒

Kaitom 的 95% 置信区间为 3.89% 至 6.02%；各音色之间、各风格之间的差异均在此类区间之内；在 Common Voice 句子上，语音识别对合成语音的识别效果与录制这些句子的真人相当。本测试衡量的是可懂度，而非自然度：没有听众评价音色是否自然，也没有评价克隆音色与原说话人的相似程度；评判只用一套语音识别系统；测试句中英语很少。克隆音色每句需数秒，长文本请拆分后并行发送。方法与局限：基准测试报告 (PDF)。

限制

• 支持泰语和英语；其他文字、表情符号和符号会被去掉，不会读出。克隆仅支持泰语。
• 每次请求最多 1,200 字符（/clone 最多 1,000），约 100 秒音频。
• 每个 API 密钥每秒 100 次请求。
• 标点决定停顿。若需特定发音，请将品牌名或缩写转写为泰文：用 ไอแอป 而非 iApp。

数据处理

文本和参考音频在内存中处理，响应返回后不保留。依 PDPA 与 GDPR 取得同意并告知当事人，由作为数据控制者的您负责。

已弃用的端点

V1 和 V2 端点仍可调用，价格不变，但不再维护。请改用 /v3/store/audio/tts。

端点	原为
/v3/store/speech/text-to-speech/kaitom，另有 /thai-tts-kaitom2/tts	V2，Kaitom 音色
/v3/store/speech/text-to-speech/kaitom/v1，另有 /thai-tts-kaitom/tts	V1，Kaitom 音色
/v3/store/speech/text-to-speech/cee，另有 /thai-tts-cee/tts	V1，Cee 音色

迁移时，改为发送含 text 的 JSON，按需加上 voice、style 和 format，不再使用表单字段或查询字符串，并去掉 language：语言会自动检测。返回的是可直接播放的音频文件。已不再提供 Cee 音色。

更新日志

版本	变更
价格，2026 年 10 月	每 1,000 字符 0.2 IC，以 100 字符为单位计费（原为每次请求 1 IC），并推出月度套餐 Voice S、M、L，分别含 250 万、750 万和 2,500 万字符。
音色库，2026 年 10 月 27 日	按年龄与性别区分的十种音色，从约 8 岁的女孩到约 80 岁的爷爷，每种都有公开的参考音频供 /clone 使用；演示中可在三种音色下方选择。见音色库。
Chinda TTS，2026 年 10 月	三种音色（voice：kaitom、kaimook、kaidang）、八种说话风格（style），以及 WAV 或 MP3 可选（format）。响应改为音频文件：48 kHz 的 WAV 或 MP3，取代 24 kHz 原始 PCM，可直接播放或保存，无需再加 WAV 头。克隆支持 style、format 与 denoise。
Chinda TTS	V3 端点改由 Chinda TTS 提供，请求与响应不变，每次请求最多 1,200 字符。V1 和 V2 端点已弃用，见已弃用的端点。
V3	端点由 /v3/store/speech/text-to-speech/kaitom 改为 /v3/store/audio/tts，采用 JSON 请求体，自动检测语言而无需 language 模式，最多 10,000 字符，24 kHz 输出，对数字、日期、货币、时间和百分比做文本规范化，并支持声音克隆。