Skip to main content
阿里云百炼 home page阿里云百炼
非实时语音合成（Qwen-Audio-TTS/CosyVoice）

非实时语音合成Qwen-Audio-TTS/CosyVoice HTTP API参考

本文介绍非实时语音合成Qwen-Audio-TTS/CosyVoice的HTTP调用方法，支持非流式和流式两种调用模式。

用户指南：参见非实时语音合成。
本文描述的功能仅在华北2（北京）地域可用。
阿里云百炼为华北2（北京）地域推出了业务空间专属域名，能够为推理请求提供卓越的性能和更高的稳定性，建议从 dashscope.aliyuncs.com 迁移至 {WorkspaceId}.cn-beijing.maas.aliyuncs.com。{WorkspaceId}需要替换为真实的Workspace ID。现有域名仍可正常使用。

接口地址

POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer 调用时请将{WorkspaceId}替换为真实的Workspace ID。

请求头

参数

类型

是否必选

说明

Authorization

string

是

鉴权令牌，格式为Bearer <your_api_key>，使用时，将“<your_api_key>”替换为实际的API Key。

Content-Type

string

是

请求体的媒体类型，固定为application/json。

X-DashScope-SSE

string

否

用于控制是否以流式方式返回输出结果。仅在流式合成时使用该参数，参数值固定为enable。

请求体

modelstring（必选）语音合成模型。取值范围：
  • qwen-audio-3.0-tts-plus
  • qwen-audio-3.0-tts-flash
  • cosyvoice-v3.5-plus
  • cosyvoice-v3.5-flash
  • cosyvoice-v3-plus
  • cosyvoice-v3-flash
  • cosyvoice-v2
inputobject（必选）输入参数对象。

属性

text string（必选）待合成文本。支持 SSML 和 LaTeX 格式输入。将待合成文本替换为对应格式即可。
  • 使用 SSML 时，需同时将 enable_ssml 设置为 true。支持的 SSML 标签及用法，请参见SSML 与 LaTeX。
  • 使用 LaTeX 时，将待合成文本替换为 LaTeX 格式即可，无需额外配置。支持的 LaTeX 语法及用法，请参见LaTeX 公式转语音。
voice string（必选）音色。取值范围：format string（可选）音频编码格式。默认值：mp3。取值范围：
  • mp3
  • pcm
  • wav
  • opus
sample_rate integer（可选）音频采样率（Hz）。取值范围：8000, 16000, 22050（默认）, 24000, 44100, 48000。volume integer（可选）音量。默认值：50。取值范围：[0, 100]。rate float（可选）语速。默认值：1.0。取值范围：[0.5, 2.0]。bit_rate integer（可选）音频码率（单位：kbps）。默认值：32。取值范围：[6, 510]。
仅在format为opus时支持使用该参数。
pitch float（可选）音调。默认值：1.0。取值范围：[0.5, 2.0]。enable_ssml boolean（可选）是否开启SSML功能。SSML 的使用限制（支持的模型、音色和接口），请参见使用限制。word_timestamp_enabled boolean（可选）是否开启字级别时间戳。默认值：false。仅在流式输出模式下可用。支持的音色范围：qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash、cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash、cosyvoice-v3-plus和cosyvoice-v2模型的复刻音色，以及Qwen-Audio-TTS音色列表、CosyVoice音色列表中标记为支持的系统音色。其他模型的复刻音色不支持此功能。seed integer（可选）生成时使用的随机数种子，使合成的效果产生变化。在模型版本、文本、音色及其他参数均相同的前提下，使用相同的seed可复现相同的合成结果。默认值0。取值范围：[0, 65535]。language_hints array[string]（可选）
  • 此参数为数组，但当前版本仅处理第一个元素，因此建议只传入一个值。
  • 此参数用于指定语音合成的目标语言，该设置与声音复刻时的样本音频的语种无关。如需设置复刻任务的源语言，请参见声音复刻API参考。
指定语音合成的目标语言，提升合成效果。当数字、缩写、符号等朗读方式或者小语种合成效果不符合预期时使用，例如：
  • 数字朗读方式不符合预期，“hello, this is 110”读成“hello, this is one one zero”而非“hello, this is 幺幺零”
  • 符号朗读不准确，“@”读成“艾特”而非“at”
  • 小语种合成效果差，合成不自然
取值范围：
  • zh：中文
  • en：英语
  • fr：法语
  • de：德语
  • ja：日语
  • ko：韩语
  • ru：俄语
  • pt：葡萄牙语
  • th：泰语
  • id：印尼语
  • vi：越南语
  • es：西班牙语
  • it：意大利语
  • ms：马来西亚语
  • fil：菲律宾语
  • ar：阿拉伯语
instruction string（可选）设置指令，用于控制方言、情感或角色等合成效果。具体用法请参见非实时语音合成。enable_aigc_tag boolean（可选）是否在生成的音频中添加AIGC隐性标识。设置为true时，会将隐性标识嵌入到支持格式（wav/mp3/opus）的音频中。默认值：false。仅qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash、cosyvoice-v3-flash、cosyvoice-v3-plus、cosyvoice-v2支持该功能。aigc_propagator string（可选）设置AIGC隐性标识中的 ContentPropagator 字段，用于标识内容的传播者。仅在 enable_aigc_tag 为 true 时生效。默认值：阿里云UID。仅qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash、cosyvoice-v3-flash、cosyvoice-v3-plus、cosyvoice-v2支持该功能。aigc_propagate_id string（可选）设置AIGC隐性标识中的 PropagateID 字段，用于唯一标识一次具体的传播行为。仅在 enable_aigc_tag 为 true 时生效。默认值：本次语音合成请求Request ID。仅qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash、cosyvoice-v3-flash、cosyvoice-v3-plus、cosyvoice-v2支持该功能。hot_fix object（可选）文本热修复配置，用于自定义指定词语的发音或对待合成文本进行替换。cosyvoice-v2不支持该功能。参数介绍：
  • pronunciation：自定义发音。指定词语的拼音标注，用于纠正默认发音不准确的情况。
  • replace：文本替换。在语音合成前将指定词语替换为目标文本，替换后的文本将作为实际合成内容。
示例：
"hot_fix": {
  "pronunciation": [
    {"天气": "tian1 qi4"}
  ],
  "replace": [
    {"今天": "金天"}
  ]
}
enable_markdown_filter boolean（可选）
仅cosyvoice-v3-flash复刻音色支持该功能。
是否启用 Markdown 过滤。启用该功能后，系统在合成语音前自动过滤输入文本中的 Markdown 标记符号，避免将其朗读为文字内容。默认值：false。取值范围：
  • true：启用Markdown过滤
  • false：禁用Markdown过滤
curl -X POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen-audio-3.0-tts-flash",
    "input": {
      "text": "我家的后面有一个很大的花园。",
      "voice": "longanhuan_v3.6",
      "format": "wav",
      "sample_rate": 24000
    }
}'

返回体

request_idstring本次调用的唯一标识符。outputobject模型返回的数据。

属性

finish_reasonstring任务停止原因，自然停止时为stop。取值范围：
  • null：语音合成中
  • stop：语音合成结束
typestring子事件类型。仅流式合成时返回该值。取值范围：
  • sentence-begin：标识句子开始，返回待合成的句子文本内容
  • sentence-synthesis：标识音频数据块
    • 一个句子的合成过程中会产生多个sentence-synthesis事件，每个对应一个音频数据块
    • 客户端需要按顺序接收这些音频数据块并以追加模式写入同一文件
    • sentence-synthesis事件与其后的音频数据帧是一一对应的关系，不会出现错位
  • sentence-end：标识句子结束，返回句子文本内容和累计的计费字符数
original_textstring对用户输入文本进行分句后的句内容。最后一个句子可能没有此字段。sentenceobject句子信息。

属性

indexinteger句子的编号，从0开始。wordsarray每句话对应的字的信息。

属性

textstring字。begin_indexinteger字在句子中的开始位置索引，从 0 开始。end_indexinteger字在句子中的结束位置索引，从 1 开始。begin_timeinteger字对应音频的开始时间戳，单位为毫秒。end_timeinteger字对应音频的结束时间戳，单位为毫秒。
audioobject合成的音频数据。

属性

datastring流式合成时输出Base64格式音频数据。非流式合成时为空。urlstring模型输出的完整音频文件的URL，有效期24小时。idstring模型输出的音频信息对应的ID。expires_atintegerurl 过期时间戳。
usageobject本次请求的字符用量。

属性

characters integer本次请求中计费的有效字符数。
  • 非流式
  • 流式
{
    "request_id": "ee88b03d-0457-9286-8c67-xxxxxxxxxxxx",
    "output": {
        "finish_reason": "stop",
        "audio": {
            "data": "",
            "url": "http://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/pre/cosyvoice-v3-flash/20260304/xxxxxxxx/ee88b03d-0457-9286-8c67-xxxxxxxxxxxx.wav?xxxxxxx",
            "id": "audio_ee88b03d-0457-9286-8c67-xxxxxxxxxxxx",
            "expires_at": 1772697707
        }
    },
    "usage": {
        "characters": 15
    }
}
阿里云百炼 home page阿里云百炼
使用 API
文本生成
图像生成
视频生成
3D模型生成
音频
实时多模态
Realtime API
  • 概述
向量与排序
更多模型
工具包/框架
模型生产
文件管理
更多