HopBase先说答案：用 MiniMax 克隆一个音色只需要调两个接口，克隆出来的音色可以直接在 OpenAI 的语音合成 SDK 里用。第一步，把一段 10 秒到 5 分钟的录音（.mp3 / .m4a / .wav，不超过 20 MB）以 purpose=voice_clone 上传到 POST https://api.hop-base.com/v1/files/upload。第二步，用返回的 file_id 加上你自己起的 voice_id，调用 POST /v1/voice_clone。之后在 OpenAI 兼容的 /v1/audio/speech 接口里，把这个 voice_id 作为 voice 传入，模型选 speech-2.8-hd 或 speech-2.8-turbo 即可。用 OpenAI SDK 的话，只需要改 base_url、model 和 voice 三处。上传和克隆本身都免费；价格页公布的克隆费是每个音色 $1.5，在这个音色第一次成功合成时收取一次。合成按字符计费：HD 每百万字符 $100，Turbo 每百万字符 $60，一个汉字按 2 个字符算。克隆后 7 天内没有用来合成的音色会被删除，这种情况不收克隆费。
开始前要准备什么
- 一个 HopBase API Key，所在分组要包含 MiniMax 语音模型（
speech-2.8-hd、speech-2.8-turbo）。可以直接把这个分组加到你现有的对话或视频 Key 上，不用另建。用GET /v1/models确认。 - 一段干净的录音：10 秒到 5 分钟，格式为
.mp3/.m4a/.wav，不超过 20 MB。只有一个人说话、背景噪声小、语速自然，效果最好。 - 这个声音的使用权。只能克隆你本人的声音，或者已取得说话人明确书面授权的声音。合法使用由你负责，包括深度合成和肖像相关的规定。
第一步：上传录音
POST /v1/files/upload 使用 multipart/form-data，只能有 purpose 和 file 两个字段，多传任何字段都会返回 400。
curl https://api.hop-base.com/v1/files/upload \
-H "Authorization: Bearer sk-你的密钥" \
-F purpose=voice_clone \
-F file=@my_voice.mp3
# → {"file":{"file_id":123456789,"bytes":...,"filename":"my_voice.mp3","purpose":"voice_clone"},"base_resp":{...}}格式和大小在上传时检查，时长在克隆时检查。如果还想给模型一段示例音频，另外用 purpose=prompt_audio 上传，长度要在 8 秒以内。
第二步：克隆音色
curl https://api.hop-base.com/v1/voice_clone \
-H "Authorization: Bearer sk-你的密钥" \
-H "Content-Type: application/json" \
-d '{
"file_id": 123456789,
"voice_id": "MyNarrator01",
"text": "你好，这是我克隆出来的声音。",
"model": "speech-2.8-hd",
"need_noise_reduction": true
}'主要字段说明：
| 字段 | 规则 |
|---|---|
file_id | 必填，第一步拿到的整数。每个文件只能用一次。 |
voice_id | 必填，8-256 个字符，只能用字母、数字、- 和 _。必须以字母开头，不能以 - 或 _ 结尾，在你的账号内不能重复。 |
text + model | 可选的试听文本，最多 1,000 字符。传了 text 就必须传 model。返回里会带 demo_audio 试听链接，24 小时有效；试听文本按语音字符计费。 |
clone_prompt | 可选，格式为 {"prompt_audio": <file_id>, "prompt_text": "..."}，两个键都必须有。prompt_text 是示例音频的逐字稿，结尾要带标点。 |
text_validation / accuracy | 可选的质量校验：给出预期的逐字稿（最多 200 字符）和通过阈值（0-1，默认 0.7）。语音识别结果对不上，克隆就会失败。 |
need_noise_reduction、need_volume_normalization、aigc_watermark | 可选的布尔值，默认都是 false。 |
这套流程和 MiniMax 官方的音色克隆 API 一致，按 MiniMax 官方 SDK 写的代码，换成 HopBase 的 Base URL 和 Key 就能直接用。
第三步：在 OpenAI SDK 里使用克隆音色
选 OpenAI 兼容接口最大的好处是：现有的 client.audio.speech.create 代码不用重写，只要把 voice 换成新的 voice_id：
from openai import OpenAI
client = OpenAI(base_url="https://api.hop-base.com/v1", api_key="sk-你的密钥")
response = client.audio.speech.create(
model="speech-2.8-turbo",
voice="MyNarrator01", # 你克隆的 voice_id
input="欢迎回来，下面是今天的产品更新。",
response_format="mp3",
)
response.write_to_file("update.mp3")curl 写法：
curl https://api.hop-base.com/v1/audio/speech \
-H "Authorization: Bearer sk-你的密钥" \
-H "Content-Type: application/json" \
-d '{"model": "speech-2.8-turbo", "input": "又见面了。", "voice": "MyNarrator01"}' \
--output cloned.mp3OpenAI 兼容接口的限制：input 最多 4,096 字符；response_format 可选 mp3 / opus / flac / wav / pcm，传 aac 会返回 400；speed 范围是 0.25-4。返回的是完整的原始音频。原生接口的字段，比如 voice_setting、language_boost，在这个接口上会被拒绝。
什么时候改用原生接口
如果是长稿、需要控制情绪，或者要流式输出，就调用 POST /v1/t2a_v2，音色放在 voice_setting.voice_id。这个接口最多接受 10,000 字符，支持 stream: true。我们用短文本实测：同步接口约 1.5-2.4 秒返回完整音频；开启流式后，约 1 秒收到第一个音频块。流式时记得设置 stream_options.exclude_aggregated_audio: true，否则最后一个事件会把整段音频再发一遍，直接拼接会得到双份音频。完整参数见语音合成文档。
容易踩坑的生命周期规则
- 上传的文件只能用一次。克隆成功后，源文件和示例文件都会被删掉，想再克隆就得重新上传。克隆失败时文件会保留，可以直接重试。
- 没用过的文件 24 小时后过期。删除文件不会影响已经克隆好的音色。
- 7 天内要用一次。克隆后 7 天内没有用来合成的音色会被删除，这种情况不收克隆费。哪怕只合成一句话，音色也会保留下来。
- 音色是私有的。克隆的音色属于你的账号；企业账号下，同一企业主名下的成员 Key 可以共用。其他账号即使知道
voice_id也用不了。 - 管理操作免费。
POST /v1/get_voice传{"voice_type": "voice_cloning"}可以列出你的音色，POST /v1/delete_voice可以删除音色并释放这个名字。
费用
| 项目 | 公开价格 |
|---|---|
| 上传与克隆 | 免费 |
| 克隆费 | 每个音色 $1.5，在该音色第一次成功合成时收取一次 |
speech-2.8-hd | 每百万计费字符 $100 |
speech-2.8-turbo | 每百万计费字符 $60 |
计费字符的算法：每个 Unicode 字符算 1，汉字（CJK）额外加 1，也就是一个汉字算 2；标点、空格、emoji 和 <#0.5#> 这类停顿标记各算 1。例如 你好，世界 有 5 个字符，其中 4 个是汉字，计费 9 个字符。一篇 3,000 个汉字的中文稿约 6,000 个计费字符，按牌价 Turbo 约 $0.36，HD 约 $0.60；新音色第一次使用时，另外收一次 $1.5。克隆费在那次请求的使用记录里单独显示为一行 voice_clone_activation。被 400 拒绝的请求和合成中途失败的请求都不计费。最新牌价见价格页，你所在分组的单价以登录后模型目录显示的为准。
常见报错
| 报错信息 | 怎么处理 |
|---|---|
file_id ... does not exist; uploaded files are single-use and expire 24 hours after upload | 重新上传录音 |
voice_id ... already exists | 换一个名字，或者先删除旧音色 |
audio duration out of range | 源音频要在 10 秒到 5 分钟之间，示例音频要在 8 秒以内 |
voice id not exist | ID 写错了，或者音色已被删除，或者 7 天没用已过期。重新克隆即可。 |
voice cloning is temporarily unavailable（503） | 稍后重试 |
另一个选择：豆包声音复刻
HopBase 也提供字节跳动的 seed-icl-2.0（豆包声音复刻 2.0），接法不太一样：录音以 base64 形式直接放进 POST /v1/voice_clone 的 JSON 里（录音不超过 10 MB，请求体不超过 16 MiB），每次调用都要带 "model": "seed-icl-2.0"。返回的 voice_id 以 hbv_ 开头，只能配合 seed-icl-2.0 在 /v1/audio/speech 上使用。豆包不收克隆费，合成按官方牌价每万字符 ¥3。公测期间每个账号只能保留 1 个复刻音色。如果 MiniMax 和豆包的克隆都要用，请各用一个 Key。详见同一篇语音文档。
常见问题
MiniMax 克隆的音色能用 OpenAI Python SDK 调用吗？
可以。把客户端的地址指向 https://api.hop-base.com/v1，model 选 speech-2.8-hd 或 speech-2.8-turbo，在 client.audio.speech.create 里把 voice_id 作为 voice 传入就行，其他代码不用改。
源录音要多长？
10 秒到 5 分钟之间，格式为 .mp3 / .m4a / .wav，不超过 20 MB。可选的示例音频要在 8 秒以内。
$1.5 的克隆费什么时候收？
在音色第一次成功合成时收一次。上传和克隆本身免费；克隆接口里的试听 text 只按语音字符计费，不算作首次使用。如果音色一直没用、7 天后过期了，就不收克隆费。
克隆的音色为什么突然用不了了？
最常见的原因是克隆后 7 天内没有用它合成过，音色已被删除。用 POST /v1/get_voice 查一下，必要时重新克隆。注意要重新上传录音，因为上传的文件只能用一次。
克隆音色能流式合成吗？
可以，用原生接口 POST /v1/t2a_v2，设置 stream: true，并把 voice_setting.voice_id 设为你的音色。OpenAI 兼容接口一次返回完整音频，不支持 stream_format。
怎么告诉模型文本是哪种语言？
用 language_boost，原生接口和克隆接口都可以设置。它有 40 个选项，包括中文、粤语（Chinese,Yue）、英语、日语、韩语、西班牙语、法语、德语、阿拉伯语、印地语等，也可以设为 auto 自动识别。克隆音色在录音语言以外的语种上效果如何，取决于源录音，建议先用一小段试听验证。完整列表见语音合成文档。