FIGURE 2.0 / API RESEARCH / 2026-10-26

给角色接上声音与理解

← 返回 H5
接口研究与接线Demo，不是实测排行榜

先能分辨哪里不像她，
再选最终供应商。

当前没有外部付费API Key。以下为官方文档核对和本地协议测试结果，不代表真实供应商或日本用户已验收。

推荐起步组合

文本对话：OpenAI Responses作为质量基线；文件识别：gpt-transcribe；日语试音：Azure Speech / Nanami；实时对照：Realtime 和 GPT-Live 分开实验。面向日本的日语自然度、角色稳定性与价格必须实际盲测，不以模型知名度替代评估。

当前实现是录音后上传、完整文本回复、完整MP3播放，不声称已做流式链路。实时实验走独立WebRTC通道；与主聊天不共享新产生的历史，只读取角色和显式记忆的启动快照。

01 / 文本与识别

OpenAI Responses：页面选官方服务，填入Key和模型ID，应用后先测试角色对话。角色和显式记忆由后端组装，接口使用store=false。账号是否能调用gpt-6.1-sol需实测。官方文本接口

兼容服务：Qwen百炼可用Chat Completions协议。模型ID和区域端点以你控制台为准；Key和区域不能随意混搭。页面支持阿里云官方workspace域名与预设兼容端点。DeepSeek/OpenRouter只是通用协议接线，不代表已评测它们的日语角色效果。Qwen官方入门

识别：本页上传小于8MB的音频或从主聊天按钮录制，后端拼接multipart调用/audio/transcriptions。默认gpt-transcribe，兼容旧模型ID可手动填写。gpt-live-transcribe是实时转写路径，不能直接替换本页文件识别模型。文件识别 · 实时转写（尚未实现独立转写面板）

02 / 人物音色

Azure：填写Speech资源Key和对应region，默认japaneast仅是候选，必须与你资源一致。Nanami支持chat、cheerful等风格，其他音色请核对支持表；不能认为所有日语音色都有同样情绪。语速和音高通过SSML表达，正文会做XML转义，不让普通输入变成SSML指令。REST接口 · 音色支持表

旧OpenAI Speech：只保留作短期对照。官方文档显示tts-1、tts-1-hd、gpt-4o-mini-tts计划2027-01-06停用，迁移到Realtime不是只换模型ID。页面不会把gpt-realtime-2.1-mini发给旧/audio/speech接口。官方TTS迁移提示

角色设计：人格卡决定关注点；语言卡决定称呼、敬语和句尾；声音卡决定稳定音色、节奏和表演范围。语气词按情境使用，不是每轮添加「えへへ」。建议同一段台词测试问候、疲惫、轻笑、拒绝、解释、重逢六种表现。

03 / Realtime 与 GPT-Live 不是同一个接口

Realtime：本地后端用Key调用/realtime/calls，H5通过WebRTC收发媒体。默认gpt-realtime-2.1 / marin。采用自动语音轮次检测，实际打断速度与声学条件仍须真机验证。

GPT-Live：另走/live/sessions，模型默认gpt-live-1，可使用内置音色或描述生成的voice ID。复杂响应可委托Responses，当前示例后端模型为gpt-6.1-sol；它的额度与计费也要计算。WebRTC官方流程 · Live创建接口

描述生成音色：先填写原创成年声音描述和OpenAI Key并应用，再点击创建，供应商返回voice ID。ID填入后再次应用，选择GPT-Live试听。创建动作会在供应商账号保存音色；清除本地Key不会删除云端音色。描述生成声音不能在Realtime或旧Speech中使用，不保证独占；真人录音克隆另有同意与客户资格要求，本页未实现。官方音色范围

通话设置3分钟自动结束。GPT-Live会先请求优雅关闭，超时则本地断开并明确最终用量未确认。离开页面释放麦克风。不要把“接口已交换SDP”当成“音频已通”或“费用已结清”。

如何在手机上试

  1. 访问现有H5并输入Demo访问码，点击右上角“API实验室”。
  2. 先只启用一个服务，粘贴对应Key，点击应用，再点该项测试；应用配置不会自动产生供应商调用。
  3. Azure语音可以不依赖文本模型，直接合成试音并下载。录音文件识别也可以单独测试。
  4. 文本与语音都通过后，回主聊天勾选“读出回复”；云端失败会提示，不偷偷降级成浏览器声音。
  5. 麦克风／Realtime需HTTPS或localhost。现有局域网HTTP可做文字、上传识别和合成播放；桌面可用SSH转发后访问localhost。手机公网HTTPS部署尚未在本次修改中配置。

Key与错误处理

所有实验Key只保存在后端进程内存，不进入SQLite、localStorage、日志或GET响应；不会自动复制到账号信息文件。重启服务即清除。共享Demo访问码等于共享当前实验室配置。当前LAN HTTP不加密，只在可信网络填测试Key；正式访问应使用HTTPS。

401一般是认证问题，403可能是权限或区域，404检查接口和模型，429检查额度和限流；网络超时不代表Key错误。错误信息只显示状态与通用解释，不回显供应商原始错误或Key。调用可能把角色设定、选择的记忆、音频和文本发送到对应供应商。

生产产品应改为服务端凭据管理、多用户隔离、预算限额、用量审计、重连与设备身份；当前只有单用户Demo能力。

费用与验收

本页显示请求耗时，不将它当成端到端对话延迟。GPT-Live按会话时长计费，并可能加收委托模型费用；其他服务分别按模型tokens、音频或字符计费。建议用10／30／60分钟真实会话记录输入、输出、静音、识别与音频开销，再估算订阅，不把固定月费当无限调用。价格请查各自官方定价，不在静态页面写一个无法保证更新的“最低价”。

先测：身份一致、未知不编、专名读音、长短句、连续问答、记忆更正、暂停与插话；再在日本网络下测P50/P95延迟及实际分钟成本。本地协议自动测试不等于真人听感或真实供应商测试。