生成语音

两个方案，按用户的话选：

• 默认用我们自己的音色——IndexTTS2 加大米的参考音频，见方案一
• 用户说不用自己的音色——微软 MAI-Voice 的预置音色 Mei，见方案二

两个都走中转，API key 都用 .env 里的 MY_API_KEY，写成 Authorization: Bearer $MY_API_KEY，别打印出来。

方案一：我们自己的音色（默认）

给一段参考人声和一段文字，生成同一个音色说这段话的语音，用的是 AutoDL 上的 IndexTTS2 工作流。照 AutoDL ComfyUI API 文档¹调，只改两处：

• base URL：https://autodl.art 换成 https://autodl-proxy.liuhetian.work
• API key：官方文档里令牌前面不带 Bearer，经中转要带

# 提交，返回 data.task_id
curl -sS https://autodl-proxy.liuhetian.work/api/v1/comfyui/comfyui_workflow/indextts2-v1 \
  -H "Authorization: Bearer $MY_API_KEY" -H "content-type: application/json" \
  -d '{"prompt_text": "要说的话", "emo_control_method": "与音色参考音频相同",
       "prompt_simple": "https://wiki.liuhetian.work/skills/agent-io/assets/%E5%A4%A7%E7%B1%B3_14s.wav"}'

# 轮询：data.status 是 QUEUED 或 RUNNING，就隔 5 秒再查一次
curl -sS https://autodl-proxy.liuhetian.work/api/v1/comfyui/comfyui_workflow/result/<task_id> \
  -H "Authorization: Bearer $MY_API_KEY"

• 参考音频 prompt_simple：用户没指定音色，就用上面例子里的大米音色（assets/大米_14s.wav，14 秒）。要换音色，就给几秒钟的人声，wav 或 mp3，填 URL；本地文件写成 data:audio/wav;base64,…
• 结果：状态是 SUCCESS 时，data.results[0].url 就是 wav 链接，24 小时后失效，拿到马上下载。状态是 FAILED 时看 msg
• 可能排很久：一段时间没人用，后端要冷启动，第一次排了十几分钟；热起来以后一次十来秒。轮询的超时别设太短
• 其余参数：比如情绪控制，以 GET https://autodl-proxy.liuhetian.work/api/v1/comfyui/workflows/indextts2-v1 返回的 data.input_rules 为准

方案二：微软 MAI-Voice 的 Mei（用户说不用自己的音色时）

用 OpenRouter 上微软的 microsoft/mai-voice-2.1-flash，同步返回 mp3，几秒出结果，拿到就能播。照 OpenRouter TTS 文档²调，只改 base URL：https://openrouter.ai 换成 https://openrouter.reverse-pro.xyz。

curl -sS -o out.mp3 -w '%{http_code}\n' https://openrouter.reverse-pro.xyz/api/v1/audio/speech \
  -H "Authorization: Bearer $MY_API_KEY" -H "Content-Type: application/json" \
  -d '{"model": "microsoft/mai-voice-2.1-flash", "voice": "zh-CN-Mei:MAI-Voice-2.1-Flash",
       "response_format": "mp3", "input": "要说的话"}'

• response_format 必须写 mp3：不写默认是 pcm，裸数据，播放器打不开
• 结果：打印出来的状态码是 200，out.mp3 就是音频；不是 200，out.mp3 里装的是 JSON 报错，读出来看
• 换音色：用户点名才换。中文音色有 zh-CN-Bo、zh-CN-Grant、zh-CN-Harper、zh-CN-Lan、zh-CN-Mei、zh-CN-Wei 六个，后面都要带 :MAI-Voice-2.1-Flash
• 语速：Mei 读得偏慢，用户嫌慢就加 "speed": 1.2；实测 1.3 能把 7–9 秒的一句缩到 6 秒左右
• 语气控制不了：instructions 不起作用，写进 input 会被念出来
• 价格：按字数算，每百万字 15 美元，168 字的播报读了 43 秒，花 0.0025 美元
• 长稿子：一次能读多长没测过，几千字的稿子按段落拆开分别生成
• 不能克隆、不能多人对话：要特定人声用方案一

维护记录：接口从哪来、实测结果、为什么从 Gemini 换成 MAI-Voice。正常使用不用看，出问题再看。