Skip to main content
语音合成

非实时语音合成

非实时语音合成通过HTTP API将文本转换为语音,适用于有声书制作、在线教育配音、内容制作等对延迟要求不高的场景,支持丰富音色、多语言、声音复刻与声音设计。

概述

通过HTTP API将完整文本转换为语音文件,支持非流式和流式两种输出模式。
  • 非流式返回音频文件 URL,有效期 24 小时;流式逐段返回音频数据。
  • 支持多种语言,含中文方言。
  • 支持声音复刻声音设计进行定制音色创建。
  • 支持指令控制,通过自然语言指令控制语音表现力。
  • 支持情感与富语言标签,可在文本中嵌入标签控制情感表达或插入拟声效果
各模型系列的调用端点不同:Qwen-Audio-TTS 与 CosyVoice 使用 https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer;Qwen-TTS 使用 https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation;MiniMax 使用 https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation。端点不可混用,请以各模型系列示例中的端点为准。
低延迟流式场景请参见实时语音合成。各模型选型建议请参见语音合成 百炼控制台声音设计页面合成的语音仅支持在线试听,无法下载音频文件。如需下载音频,请通过 API 或 SDK 调用,非流式模式下响应中返回音频 URL,有效期 24 小时。

前提条件

开始前,请确认已完成以下准备工作:

快速开始

以下各 Tab 分别演示不同模型系列的语音合成。更多语言示例和详细参数说明,请参见API 参考
  • Qwen-Audio-TTS
  • CosyVoice
  • Qwen-TTS
  • MiniMax
以下示例演示如何使用 Qwen-Audio-TTS 模型合成语音。
Qwen-Audio-TTS 非实时语音合成仅在北京地域可用。
  • 非流式输出
  • 流式输出
非流式模式下,响应中包含合成音频的 URL,有效期为 24 小时。
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
    }
}'

进阶功能

指令控制

指令控制通过自然语言描述控制语音的音调、语速、情感和音色特点,无需调整复杂的音频参数。 各模型指令规格
指令参数名因模型系列而异:CosyVoice 使用 instruction,Qwen-TTS 使用 instructions。跨模型迁移时请注意修改参数名。
  • Qwen-Audio-TTS
  • CosyVoice
  • Qwen-TTS
支持的模型qwen-audio-3.0-tts-plusqwen-audio-3.0-tts-flash系统音色和声音复刻音色:均可输入任意指令。
适用场景
  • 有声书和广播剧配音
  • 广告和宣传片配音
  • 游戏角色和动画配音
  • 情感化的智能语音助手
  • 纪录片和新闻播报
如何编写高质量的声音描述
  • 核心原则
    1. 具体而非模糊:使用描绘声音特质的词语,如“低沉”、“清脆”、“语速偏快”,避免“好听”、“普通”等主观或模糊的表述。
    2. 多维而非单一:好的描述通常涵盖多个维度(如性别、年龄、情感等)。仅写“女声”过于宽泛,难以生成有特色的音色。
    3. 客观而非主观:聚焦声音的物理和感知特征。例如,用”音调偏高,带有活力“代替”我最喜欢的声音”。
    4. 原创而非模仿:描述声音的特质,而非要求模仿特定人物(如名人、演员)。模型不支持模仿,且可能涉及版权风险。
    5. 简洁而非冗余:确保每个词都有明确作用,避免重复的同义词或无意义的修饰。
  • 描述维度参考 建议组合以下维度描述声音,维度越丰富,生成效果越精准。

    维度

    描述示例

    性别

    男性、女性、中性

    年龄

    儿童(5-12 岁)、青少年(13-18 岁)、青年(19-35 岁)、中年(36-55 岁)、老年(55 岁以上)

    音调

    高音、中音、低音、偏高、偏低

    语速

    快速、中速、缓慢、偏快、偏慢

    情感

    开朗、沉稳、温柔、严肃、活泼、冷静、治愈

    特点

    有磁性、清脆、沙哑、圆润、甜美、浑厚、有力

    用途

    新闻播报、广告配音、有声书、动画角色、语音助手、纪录片解说

  • 示例
    • 标准播音风格:吐字清晰精准,字正腔圆
    • 年轻活泼的女性声音,语速较快,带有明显的上扬语调,适合介绍时尚产品
    • 沉稳的中年男性,语速缓慢,音色低沉有磁性,适合朗读新闻或纪录片解说
    • 温柔知性的女性,30 岁左右,语调平和,适合有声书朗读
    • 可爱的儿童声音,大约 8 岁女孩,说话略带稚气,适合动画角色配音

方言

本节介绍如何让模型用中文方言(如河南话、四川话等)输出语音。不同模型和音色类型的设置方式不同。
  • Qwen-Audio-TTS
  • CosyVoice
  • Qwen-TTS
  • 系统音色:在Qwen-Audio-TTS音色列表中选择以下任一种音色:
    • 支持方言的系统音色,无需额外设置即可输出对应方言。
    • 支持指令控制且可指定方言的音色,通过指令文本指定方言。
  • 声音复刻音色:通过指令控制功能设置,例如指令文本写 请用河南话表达
  • 声音设计音色:暂不支持方言。
具体支持哪些方言:参见Qwen-Audio-TTS中各模型“支持的语言”。

情感与富语言标签

Qwen-Audio-TTS 系列模型支持在待合成文本(text 参数)中直接嵌入情感与富语言标签,用于控制语音的情感表达或在指定位置插入拟声效果(如笑声、叹息等),无需调整复杂的音频参数即可生成更具表现力的语音。
支持的模型:仅 qwen-audio-3.0-tts-plusqwen-audio-3.0-tts-flash
控制类标签 控制类标签用于设定语音的情感或风格。将标签写在文本中,标签会作用于其后的所有文本,直到遇到下一个控制类标签,或因句子较长被自动切分为止。

标签

说明

[sad]

悲伤

[amazed]

惊叹

[deep and loud shouting]

深沉大声呐喊

[trembling]

颤抖

[angry]

愤怒

[excited]

兴奋

[sarcastic]

讽刺

[curious]

好奇

[like dracula]

德古拉风格(低沉、阴森)

[bored]

无聊

[tired]

疲惫

[scornful]

轻蔑

[shouting]

大喊

[asmr]

ASMR 轻柔耳语

[panicked]

恐慌

[mischievously]

调皮

[empathetic]

共情

[whispers]

耳语

[reluctantly]

不情愿

[crying]

哭泣

[serious]

严肃

[very slowly]

非常缓慢地说话

[very fast]

非常快速地说话

富语言类标签 富语言类标签用于在文本的当前位置插入一段拟声效果,不影响前后文本的情感风格。

标签

说明

[gasp]

倒吸一口气

[sighing]

叹息

[clears throat]

清嗓

[giggles]

咯咯笑

[laughing]

大笑

[cough]

咳嗽

[snorts]

哼声、嗤笑

使用示例 以下示例展示如何在 text 参数中组合使用控制类标签和富语言类标签: [excited]今天的天气真不错![laughing]我们一起出去玩吧! 上述文本中,[excited] 是控制类标签,作用于其后的所有文本,使语音带有兴奋的情感;[laughing] 是富语言类标签,在该位置插入一段笑声效果后继续合成后续文本。 您也可以在同一段文本中切换不同情感: [serious]请注意安全事项。[excited]好了,现在让我们开始吧! 其中 [serious] 控制第一句为严肃语气,[excited] 从第二句起切换为兴奋语气。

文本预处理建议

cosyvoice-v3-flash 在合成包含点号(·)分隔数字段的文本时,可能出现漏读或重复念读的情况,例如连续的房号可能被读错。 将文本中的点号(·)替换为中文逗号(,)可规避该问题:
  • 原文:主楼五楼·501房是PU·502房是OOO
  • 预处理后:主楼五楼501房是PU,502房是OOO
此为模型层已知限制,仅在 cosyvoice-v3-flash 上确认,cosyvoice-v2 经交叉验证无此问题,不适用于 CosyVoice 其他型号或其他模型系列。在模型优化完成前,建议在代码侧对待合成文案统一做该预处理。

支持的模型与地域

  • 华北2(北京)
  • 新加坡
调用以下模型时,请选择北京地域的API Key
  • Qwen-Audio-TTS:qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash
  • CosyVoice:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2
  • Qwen-TTS
    • Qwen3-TTS-Instruct-Flash:qwen3-tts-instruct-flash(稳定版,当前等同 qwen3-tts-instruct-flash-2026-01-26)、qwen3-tts-instruct-flash-2026-01-26(最新快照版)
    • Qwen3-TTS-VD:qwen3-tts-vd-2026-01-26(最新快照版)
    • Qwen3-TTS-VC:qwen3-tts-vc-2026-01-22(最新快照版)
    • Qwen3-TTS-Flash:qwen3-tts-flash(稳定版,当前等同 qwen3-tts-flash-2025-11-27)、qwen3-tts-flash-2025-11-27、qwen3-tts-flash-2025-09-18
    • Qwen-TTS:qwen-tts(稳定版,当前等同 qwen-tts-2025-04-10)、qwen-tts-latest(最新版,当前等同 qwen-tts-2025-05-22)、qwen-tts-2025-05-22(快照版)、qwen-tts-2025-04-10(快照版)
  • MiniMax:MiniMax/speech-2.8-hd、MiniMax/speech-02-hd、MiniMax/speech-2.8-turbo、MiniMax/speech-02-turbo

支持的系统音色

不同模型支持的音色不同。将请求参数 voice 设为下表中 voice 参数列的值即可。

API 参考

常见问题

Q:音频文件链接的有效期是多久?

A:音频文件链接在生成后 24 小时内有效。链接过期后,重新调用接口即可获取新链接。
Token Plan
模型体验
模型调优
模型压缩目录节点
用量统计与性能监控
资产中心
服务支持