GLM TTS 和 ASR API 快速入门

何时使用本快速入门
前置条件
GLM TTS 快速入门
GLM ASR 快速入门
GLM 语音克隆快速入门
定价与使用说明
常见问题
推荐阅读

本指南将带您从获取 API 密钥到生成可用的音频，涵盖 GLM 系列音频 API——GLM TTS（文字转语音）、GLM ASR（语音转文字）和 GLM 语音克隆（定制语音合成）。这三个均为同步 REST 端点，无需轮询或 Webhook 步骤。如果您正在构建语音功能、转录管道或中文音频应用，这是实现集成的最快路径。

何时使用本快速入门

在以下场景中适用本指南：

通过 POST /v3/glm-tts 将文本转换为中文优化的语音
通过 POST /v3/glm-asr 转录 .wav 或 .mp3 音频文件
通过 POST /v3/glm-tts-voice-clone 从短音频样本中克隆声音并合成新语音

所有端点均可通过 Novita AI API 访问，地址为 https://api.novita.ai。

前置条件

拥有 Novita AI 账户。从 Novita AI 控制台获取您的 API 密钥。
在 Shell 示例中使用 curl。
在 Python 示例中使用 Python 3.8+ 并安装 requests 库。

将密钥设置为环境变量：

export NOVITA_API_KEY="your_api_key_here"

GLM TTS 快速入门

端点： POST https://api.novita.ai/v3/glm-tts

将最多 1024 个字符的文本转换为语音。响应为二进制音频——直接写入文件保存。

参数

参数	类型	默认值	说明
`input`	字符串	—	必填。最多 1024 个字符。
`voice`	字符串	`tongtong`	系统语音 ID 或克隆语音名称。
`speed`	数字	1.0	范围：0.5–2.0
`volume`	数字	1.0	范围：0–10
`response_format`	字符串	`pcm`	`wav` 或 `pcm`。WAV 包含标准音频头；PCM 为 24000 Hz 的原始字节。
`watermark_enabled`	布尔值	true	仅当您的账户已启用水印移除时才设为 `false`。

系统语音

语音 ID	显示名称
`tongtong`	彤彤（默认）
`chuichui`	吹吹
`xiaochen`	小辰
`jam`	东东动物园 – Jam
`kazi`	东东动物园 – Kazi
`douji`	东东动物园 – 豆鸡
`luodo`	东东动物园 – 洛多

curl

curl -s -X POST https://api.novita.ai/v3/glm-tts \
  -H "Authorization: Bearer $NOVITA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "input": "你好，欢迎使用 Novita AI 语音合成接口。",
    "voice": "tongtong",
    "speed": 1.0,
    "volume": 5,
    "response_format": "wav"
  }' \
  --output output.wav

Python

import requests, os

response = requests.post(
    "https://api.novita.ai/v3/glm-tts",
    headers={
        "Authorization": f"Bearer {os.environ['NOVITA_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={
        "input": "你好，欢迎使用 Novita AI 语音合成接口。",
        "voice": "tongtong",
        "speed": 1.0,
        "volume": 5,
        "response_format": "wav",
    },
)
response.raise_for_status()
with open("output.wav", "wb") as f:
    f.write(response.content)

限制： 每请求 1024 个字符。对于更长的文本，请在句子边界分割并拼接音频。建议播放采样率：24000 Hz。语音名称区分大小写。

GLM ASR 快速入门

端点： POST https://api.novita.ai/v3/glm-asr

使用 GLM-ASR-2512 模型转录 .wav 或 .mp3 音频。音频可通过 URL 或 base64 字符串传递。限制：文件 ≤ 25 MB，时长 ≤ 30 秒。

参数

参数	类型	说明
`file`	字符串	必填。URL 或 base64 编码的音频。仅支持 `.wav` 或 `.mp3`。
`prompt`	字符串	可选。先前的转录上下文，最多 8000 个字符。用于分块转录的连续性。
`hotwords`	数组	可选。最多 100 个领域特定术语，用于提高识别准确率。

curl（URL 输入）

curl -s -X POST https://api.novita.ai/v3/glm-asr \
  -H "Authorization: Bearer $NOVITA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "file": "https://example.com/sample.wav",
    "hotwords": ["Novita", "GLM"]
  }'

Python（base64 输入）

import requests, base64, os

with open("sample.wav", "rb") as f:
    audio_b64 = base64.b64encode(f.read()).decode()

response = requests.post(
    "https://api.novita.ai/v3/glm-asr",
    headers={
        "Authorization": f"Bearer {os.environ['NOVITA_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={"file": audio_b64, "hotwords": ["Novita", "GLM"]},
)
response.raise_for_status()
print(response.json()["text"])

响应

{ "text": "你好，欢迎使用 Novita AI 语音合成接口。" }

处理超过 30 秒的音频： 将其分割为 ≤ 30 秒的块，并使用 prompt 字段在块之间传递转录上下文：

payload = {
    "file": next_chunk_b64,
    "prompt": previous_transcript,
}

GLM 语音克隆快速入门

端点： POST https://api.novita.ai/v3/glm-tts-voice-clone

接收一段样本音频片段，并以该声音合成新的语音。为克隆的声音指定一个名称；之后可在 GLM TTS 中作为 voice 参数重复使用，无需重新上传样本。

参数

参数	类型	说明
`audio_url`	字符串	必填。样本音频的 URL。≤ 10 MB，建议时长 3–30 秒。
`input`	字符串	必填。要以克隆声音合成的文本。
`voice_name`	字符串	必填。您为此声音指定的唯一名称。
`text`	字符串	可选。样本音频的转录文本——可提高克隆质量。

curl

curl -s -X POST https://api.novita.ai/v3/glm-tts-voice-clone \
  -H "Authorization: Bearer $NOVITA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio_url": "https://example.com/voice-sample.wav",
    "input": "这是用克隆声音合成的语音示例。",
    "voice_name": "my-custom-voice",
    "text": "示例音频的文字内容"
  }'

Python

import requests, os

response = requests.post(
    "https://api.novita.ai/v3/glm-tts-voice-clone",
    headers={
        "Authorization": f"Bearer {os.environ['NOVITA_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={
        "audio_url": "https://example.com/voice-sample.wav",
        "input": "这是用克隆声音合成的语音示例。",
        "voice_name": "my-custom-voice",
        "text": "示例音频的文字内容",
    },
)
response.raise_for_status()
data = response.json()
print(f"Voice timbre: {data['voice']}")
print(f"Audio URL: {data['audio_url']}")

响应

{
  "voice": "my-custom-voice-timbre-id",
  "audio_url": "https://..."
}

此处返回的 voice 值可直接作为 GLM TTS 的 voice 参数传入，用于后续合成调用。

技巧： 使用干净、无背景噪音的 5–15 秒样本。提供样本的 text 转录文本可改善音素对齐。

定价与使用说明

价格信息截至 2026 年 6 月，来自 novita.ai/pricing：

API	价格
GLM TTS	$0.28 / 1M 字符
GLM ASR	$0.021 / 1M 字符
GLM Voice Clone	$0.83 / 1M 字符

GLM TTS 非常适用于对成本敏感的高并发中文语音合成场景。如果您需要支持 30+ 语言的多语种 TTS 或异步处理长文本内容，建议评估 MiniMax Speech。

常见问题

GLM TTS 支持哪些语言？ 针对中文（普通话）优化。可处理中英混合输入。如需广泛的多语种覆盖，请使用 MiniMax Speech。

克隆的声音能在 GLM TTS 中重复使用吗？ 可以。将您在语音克隆调用中指定的 voice_name 作为 GLM TTS 的 voice 参数传入即可，无需重新上传样本。

为什么 GLM ASR 有 30 秒限制？ 该模型以同步方式处理音频。请在句子边界分割较长的录音，并使用 prompt 字段串联请求以传递上下文。

pcm 和 wav 输出有何区别？ PCM 是 24000 Hz 的原始音频字节，不带文件头。WAV 将相同音频封装在标准容器中，大多数库可直接读取。除非您的管道需要原始 PCM，否则请使用 WAV。

设置 watermark_enabled: false 是否始终有效？ 仅当您已在账户设置中完成水印移除时才有效，否则该标志会被忽略。

GLM TTS 和 ASR API 快速入门

何时使用本快速入门

前置条件

GLM TTS 快速入门

参数

系统语音

curl

Python

GLM ASR 快速入门

参数

curl（URL 输入）

Python（base64 输入）

响应

GLM 语音克隆快速入门

参数

curl

Python

响应

定价与使用说明

常见问题

推荐阅读

Product

RESOURCES

Partners

Company

何时使用本快速入门

前置条件

GLM TTS 快速入门

参数

系统语音

curl

Python

GLM ASR 快速入门

参数

curl（URL 输入）

Python（base64 输入）

响应

GLM 语音克隆快速入门

参数

curl

Python

响应

定价与使用说明

常见问题

推荐阅读

相关文章

Product

RESOURCES

Partners

Company