Murf.ai 快速上手：从 Studio 到 TTS API 的语音生成教程

Murf.ai 是一套围绕 AI 语音生成构建的工具集，核心能力包括文本转语音、声音克隆、变声、音频转文字、语音转文字、视频配音以及音频翻译。它同时提供两种使用形态：面向内容创作者的 Studio 网页应用，以及面向开发者的 API。API 侧除了常规的 HTTP 接口，还提供低延迟的 WebSocket 双向流式合成与分块 HTTP 流式合成，适合接入实时对话、语音助手、批量配音等场景。如果你需要把文字变成可用的旁白音轨，或者把语音合成能力嵌进自己的产品里，可以从 Murf.ai 入手，先跑通最小流程，再按需扩展。

本文按「先网页端、后 API」的顺序组织：先说明账号与密钥等前置条件，再分步骤讲 Studio 的基本操作与 API 的调用方式，然后给出一个从头到尾可执行的最小示例，最后列出素材中明确提到的限制与容易踩的坑。价格、配额与可用地区请以官网当前信息为准。

准备工作

在动手之前，需要把账号、访问入口和密钥三件事确认清楚。

账号与登录入口

Murf 的 Studio 网页应用有独立的登录页面。使用前需要先注册账号并登录，才能进入工作台创建项目、选择声音、生成语音。Studio 是面向创作者的可视化界面，适合做单条旁白、批量脚本配音、视频配音这类工作；如果你要的是程序化调用，则走 API 那条路。

账号还涉及服务条款与隐私政策两份文件，注册与使用前建议先阅读，了解数据如何被收集、使用与保护。企业用户另有面向企业的语音解决方案入口，早期创业团队则可以关注创业孵化计划，该计划为符合条件的初创公司提供免费额度，用于试用 AI 语音与文本转语音技术。具体资格与额度以官网当前说明为准。

API 访问与鉴权

API 的入口文档包含总览、快速开始、限流、最佳实践与常见问题几个部分。总览部分说明了鉴权方式、基础 URL 以及整体能力范围。调用 API 需要先取得密钥，请求时携带该密钥完成身份校验。密钥属于敏感凭据，不要写进前端代码或公开仓库。

API 的基础地址分为两类：REST 请求走常规 HTTPS 域名，WebSocket 流式合成走 wss://global.api.murf.ai/v1/speech/stream-input。注意 WebSocket 流式合成目前仅支持 Falcon 模型。

机器可读的接口描述文件

如果打算自己生成客户端代码，比起逐页读散文式文档，更推荐直接使用接口描述文件。REST 侧提供 OpenAPI 描述，覆盖文本转语音、声音库、配音与翻译等全部接口；WebSocket 侧提供 AsyncAPI 3.1 描述，包含查询参数、消息帧结构以及每一个错误码与警告码。用这些文件生成客户端，能显著减少字段拼写与结构理解上的偏差。

操作步骤

第一步：在 Studio 中生成第一条语音

登录 Studio 后，基本流程是：新建项目，输入或粘贴脚本文本，从声音库中挑选一个声音，调整语速、音调等参数，然后生成并试听。Studio 支持多语言声音，适合为社交媒体视频、有声书、YouTube 视频、播客、动画、广告、电子学习课程、讲解视频、产品演示、演示文稿、培训视频等内容制作旁白。

如果手上已有录音，Studio 还提供在线语音编辑能力：把音频转成可编辑的文本，改完文字再重新合成，从而修正口误或调整措辞，而不必整段重录。音频转文字与语音转文字两个功能也在这里发挥作用，前者把音频文件转成可编辑文本，后者把口述内容转成文字。

需要多语言版本时，可以使用在线音频翻译工具，把一段音频翻译成另一种语言的音频。该工具覆盖 10 种以上语言与 200 个以上 AI 声音。具体语言与声音数量以官网当前信息为准。

第二步：了解可用的集成方式

如果语音最终要放进演示或课程里，Murf 提供了若干现成集成：可以把 AI 旁白接入 Google Slides 做演示；可以配合 Adobe Captivate 增强电子学习音频；可以把 Murf 的声音接入 Adobe Audition 做后期制作；也可以接入 Articulate 360 的 Rise 360 制作学习内容。选择哪条路径取决于你的内容生产工具链。

第三步：发出第一个 API 请求

API 快速开始的目标是在几分钟内完成第一次调用。整体流程是：取得密钥，确定基础 URL，构造请求体，发送请求，接收音频数据。文本转语音的 REST 接口属于 Speech Synthesis API 的一部分，参考文档列出了完整的请求与响应结构。

调用前先确认要用的模型与声音。声音库接口可以浏览全部可用声音，也可以按模型过滤列出。例如按 Falcon 模型列出声音：

GET /v1/speech/voices?model=FALCON
Authorization: <你的密钥>

返回结果中每个声音都有一个标识。这个标识既可以传完整 id，也可以传显示名称。例如 en-US-gordon 是完整 id，而 Gordon 是它的显示名称，两者都能被接受。实际使用时建议传完整 id，避免同名歧义。

第四步：使用 HTTP 流式合成

如果不想等整段音频生成完再返回，可以用分块 HTTP 流式接口：

POST /v1/speech/stream

该接口以分块方式持续返回音频数据，适合边生成边播放或边转发的场景。相比一次性返回完整文件，流式方式能明显降低首字节等待时间。

第五步：使用 WebSocket 流式合成

对延迟要求更高的场景，可以走 WebSocket 双向流式合成。连接地址是：

wss://global.api.murf.ai/v1/speech/stream-input

这条通道目前仅支持 Falcon 模型。交互顺序是固定的：先发送 voice_config 配置声音，再发送文本内容，最后发送结束标记：

{"end": true}

这个结束标记是必需的。没有它，合成流程不会完成，也不会有最终结果返回。这是接入时最容易遗漏的一步。

另一个需要注意的细节是音频格式。默认情况下，返回的第一个 WAV 分块带有一个 44 字节的占位头。如果客户端直接把这个头当成真实音频头解析，可能得到错误的时长或采样信息。要避开这个问题，可以在请求中指定 format=PCM，这样返回的就是不含该占位头的裸 PCM 数据。

第六步：调整 WebSocket 高级参数

WebSocket 流式合成提供三个高级参数，用于在延迟与合成质量之间做权衡：

参数	取值范围	默认值	作用
min_buffer_size	0–1000	100	控制最小缓冲大小
max_buffer_delay_in_ms	0–1000	300	控制最大缓冲等待时间，单位毫秒
predictive_chunking	strict 或 lenient	—	控制分块策略的严格程度

这三个参数是顶层字段，不要嵌套在 voice_config 里面。放错层级会导致参数不生效，而且不一定报错，排查起来比较费时。

第七步：按需接入其他能力

除文本转语音之外，API 还覆盖变声、翻译与配音三类能力。变声用于实时修改与转换声音；翻译用于把内容转成其他语言；配音用于为视频等内容生成多语言音轨。这三类能力的具体请求结构与参数，需要查阅各自的接口文档。

一个完整示例

下面给出一个从零到出声的最小流程，使用 WebSocket 流式合成，语言为美式英语，声音为 Gordon。

第一步，列出可用声音，确认目标声音存在。

GET /v1/speech/voices?model=FALCON
Authorization: <你的密钥>

在返回列表中定位到 en-US-gordon，确认它属于 Falcon 模型。

第二步，建立 WebSocket 连接。

wss://global.api.murf.ai/v1/speech/stream-input

第三步，发送声音配置。把声音标识放进 voice_config，同时把高级参数放在顶层，并指定 PCM 格式以避开 44 字节占位头：

{
  "voice_config": {
    "voiceId": "en-US-gordon"
  },
  "format": "PCM",
  "min_buffer_size": 100,
  "max_buffer_delay_in_ms": 300,
  "predictive_chunking": "lenient"
}

第四步，发送待合成的文本。文本可以分多次发送，服务端会按缓冲策略与分块策略逐步合成并回传音频分块。

第五步，发送结束标记。这一步不能省：

{"end": true}

第六步，接收音频分块并落盘。由于指定了 PCM 格式，收到的数据可以直接按裸 PCM 拼接写入文件，再按采样率与位深封装成 WAV 播放。如果改用默认的 WAV 输出，则要注意第一个分块里的 44 字节占位头，不要把它当作真实音频头参与时长计算。

整条链路跑通后，把文本换成自己的脚本、把声音换成目标语言的声音，就得到了一个可复用的合成流程。若要批量处理，把上述步骤包进循环即可；若要降低首字节延迟，可以调小 max_buffer_delay_in_ms，代价是分块更碎、请求开销更高。

注意事项

WebSocket 仅支持 Falcon 模型。其他模型不能走这条通道，选声音时要先确认模型归属。

结束标记是必需的。不发送 {"end": true}，合成不会完成。这是接入阶段最常见的失败原因。

首个 WAV 分块带 44 字节占位头。直接解析会导致音频信息错误。需要干净数据时使用 format=PCM。

高级参数是顶层字段。min_buffer_size、max_buffer_delay_in_ms、predictive_chunking 不要放进 voice_config。

参数有取值范围。min_buffer_size 与 max_buffer_delay_in_ms 都限定在 0 到 1000 之间，默认值分别是 100 与 300。predictive_chunking 只接受 strict 与 lenient 两个取值。

voiceId 接受两种写法。完整 id（如 en-US-gordon）与显示名称（如 Gordon）都可以。生产环境建议用完整 id 以避免歧义。

注意限流。API 有独立的限流文档，说明各接口的调用频率约束。批量任务需要做退避重试，避免触发限流导致任务中断。

先读最佳实践与常见问题。这两份文档汇总了调用方式上的建议与高频疑问，在正式接入前过一遍，能省下不少调试时间。

声音使用需符合伦理规范。Murf 与配音演员合作并强调公平呈现，声音克隆与变声功能应遵守相应的伦理要求与授权约定，不要用于未经许可的模仿或误导性内容。

价格、配额与地区可用性以官网为准。不同套餐包含的额度、可用功能与商用授权范围不同，接入前请核对当前条款。