Spring Boot快速集成MiniMax、CosyVoice实现文本转语音

在一些需要高质量文本转语音（TTS）的场景中（比如：有声书配音、播客等）。之前介绍的EdgeTTS方案可能效果没有那么好。此时就比较推荐使用 MiniMax、CosyVoice这些提供的音色，这些音色的效果会更加拟人、逼真，接近真人发音。这里依然通过 UnifiedTTS 的统一接口来对接，这样我们可以在不更换客户端代码的前提下，快速在 MiniMax、CosyVoice等引擎之间做无缝切换。本文将引导读者从零到一把MiniMax、CosyVoice的语音合成能力整合到你的Spring Boot应用中，最后也会给出一个可复制的 Spring Boot 集成示例，

实战

1. 构建 Spring Boot 应用

通过 start.spring.io 或其他构建基础的Spring Boot工程，根据你构建应用的需要增加一些依赖，比如最后用接口提供服务的话，可以加入web模块、lombok等常用依赖：

<dependencies>

<dependency>

<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-web</artifactId>

</dependency>

<dependency>

<groupId>org.projectlombok</groupId>

<artifactId>lombok</artifactId>

</dependency>

</dependencies>

2. 注册 UnifiedTTS，获取 API Key

前往 UnifiedTTS 注册并获取 API Key

创建API Key

记录下创建的ApiKey，后续程序配置的时候需要使用

3. 集成 UnifiedTTS API（使用 MiniMax、CosyVoice）

下面给出参考实现，包括配置、DTO、服务与控制器。与 EdgeTTS 版本相比，主要是将 model 与 voice 改为 MiniMax/CosyVoice 支持的参数。

3.1 配置文件（application.properties）

unified-tts.host=https://unifiedtts.com

unified-tts.api-key=${UNIFIEDTTS_API_KEY}

这里 unified-tts.api-key 请替换为你在 UnifiedTTS 控制台创建的 API Key。

3.2 配置加载类与请求/响应封装

// src/main/java/com/example/tts/config/UnifiedTtsProperties.java

@Data

@ConfigurationProperties(prefix = "unified-tts")

public class UnifiedTtsProperties {

private String host;

private String apiKey;

}

// src/main/java/com/example/tts/dto/UnifiedTtsRequest.java

@Data

@AllArgsConstructor

@NoArgsConstructor

public class UnifiedTtsRequest {

private String model; // 例：minimax-tts 或 cosyvoice-tts

private String voice; // 例：zh_female_1（按模型支持的音色选择）

private String text;

private Double speed; // 语速（可选）

private Double pitch; // 音高（可选）

private Double volume; // 音量（可选）

private String format; // mp3/wav/ogg

}

// src/main/java/com/example/tts/dto/UnifiedTtsResponse.java

@Data

@AllArgsConstructor

@NoArgsConstructor

public class UnifiedTtsResponse {

private boolean success;

private String message;

private long timestamp;

private UnifiedTtsResponseData data;

@Data

@AllArgsConstructor

@NoArgsConstructor

public static class UnifiedTtsResponseData {

@JsonProperty("request_id")

private String requestId;

@JsonProperty("audio_url")

private String audioUrl;

@JsonProperty("file_size")

private long fileSize;

}

}

3.3 服务实现（RestClient 同步合成）

// src/main/java/com/example/tts/service/UnifiedTtsService.java

package com.example.tts.service;

import com.example.tts.dto.UnifiedTtsRequest;

import com.example.tts.config.UnifiedTtsProperties;

import org.springframework.http.MediaType;

import org.springframework.http.ResponseEntity;

import org.springframework.stereotype.Service;

import org.springframework.web.client.RestClient;

import java.io.IOException;

import java.nio.file.Files;

import java.nio.file.Path;

@Service

public class UnifiedTtsService {

private final RestClient restClient;

private final UnifiedTtsProperties properties;

public UnifiedTtsService(UnifiedTtsProperties properties) {

this.properties = properties;

this.restClient = RestClient.builder()

.baseUrl(properties.getHost())

.build();

}

public byte[] synthesize(UnifiedTtsRequest request) {

ResponseEntity<byte[]> response = restClient

.post()

.uri("/api/v1/common/tts-sync")

.contentType(MediaType.APPLICATION_JSON)

.accept(MediaType.APPLICATION_OCTET_STREAM, MediaType.valueOf("audio/mpeg"), MediaType.valueOf("audio/mp3"))

.header("X-API-Key", properties.getApiKey())

.body(request)

.retrieve()

.toEntity(byte[].class);

if (response.getStatusCode().is2xxSuccessful() && response.getBody() != null) {

return response.getBody();

}

throw new IllegalStateException("UnifiedTTS synthesize failed: " + response.getStatusCode());

}

public Path synthesizeToFile(UnifiedTtsRequest request, Path outputPath) {

byte[] data = synthesize(request);

try {

if (outputPath.getParent() != null) {

Files.createDirectories(outputPath.getParent());

}

Files.write(outputPath, data);

return outputPath;

} catch (IOException e) {

throw new RuntimeException("Failed to write TTS output to file: " + outputPath, e);

}

}

}

3.4 单元测试（MiniMax/CosyVoice）

// src/test/java/com/example/tts/UnifiedTtsServiceTest.java

@SpringBootTest

class UnifiedTtsServiceTest {

@Autowired

private UnifiedTtsService unifiedTtsService;

@Test

void testSynthesizeToFileWithMiniMax() throws Exception {

UnifiedTtsRequest req = new UnifiedTtsRequest(

"speech-02-turbo",

"Chinese (Mandarin)_Gentle_Youth",

"你好，欢迎使用 UnifiedTTS 的 MiniMax 模型配音。",

1.0,

0.0,

1.0,

"mp3"

);

Path projectDir = Paths.get(System.getProperty("user.dir"));

Path resultDir = projectDir.resolve("test-result");

Files.createDirectories(resultDir);

Path out = resultDir.resolve(System.currentTimeMillis() + ".mp3");

Path written = unifiedTtsService.synthesizeToFile(req, out);

assertTrue(Files.exists(written), "Output file should exist");

assertTrue(Files.size(written) > 0, "Output file size should be > 0");

}

}

4. 运行与验证

执行单元测试之后，可以在工程目录 test-result 下找到生成的音频文件：

如果你希望拿到音频 URL 或 Base64，可将接口 accept 改为 application/json 并解析返回结果，再做下载或解码。

5. 常用参数与音色选择

model：speech-02-turbo（示例），不同规格以官方为准；

voice：示例 Chinese (Mandarin)_Gentle_Youth 等；

rate：语速（建议范围 0.8–1.2）；

pitch：音高（建议范围 -3–+3）；

volume：音量（建议范围 0.8–1.2）；

format：mp3（常用）、wav（无损但体积大）、ogg 等。

模型model与音色voice 这里推荐使用 minimax 或 cosyvoice的模型和音色。

具体支持的参数可以在API文档中的接口查询可以填入的参数，比如：

model支持，调用一下可以看到，支持的模型有：

支持的音频模型

每个模型下支持的voice，也可以调用接口查询，比如这里尝试调用minimax支持的voice：

模型支持的音色

6. 异常处理与重试建议

超时与网络错误：设置 timeout-ms，在 onErrorResume 中记录原因；

4xx/5xx：区分鉴权失败、限流、服务器错误并上报；

重试策略：对临时性错误采用指数退避（带抖动）；

并发与限流：高并发场景实现队列或令牌桶；

缓存：对重复合成按 text+voice+params 做缓存，降低成本与时延。

7. 生产化建议

安全：API Key 从环境变量或密钥管理系统注入；

监控：记录合成耗时、失败原因、重试比率；

存储：落盘或对象存储（如 S3）并设置生命周期；

规范：统一 DTO 与服务返回结构，便于多模型扩展；

扩展：通过配置切换 Azure/Edge/Elevenlabs/MiniMax 等模型。

小结

通过 UnifiedTTS，我们在 Spring Boot 中仅需调整 model 与 voice 即可切换到 MiniMax、CosyVoice、甚至最强的Elevenlabs，实现文本转语音。统一接口简化了多引擎维护成本，让你能在成本、音色与效果间自由选择。根据业务需求，还可进一步完善异常处理、缓存与并发控制，构建更可靠的生产级 TTS 服务。