跳转到主要内容
千问AI平台 home page
文档
Qwen-Audio-TTS

非实时语音合成Qwen-Audio-TTS HTTP API参考

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

接口地址

POST https://maas.qianwenaiapi.com/api/v1/services/audio/tts/SpeechSynthesizer

请求头

参数类型是否必选说明
Authorizationstring是鉴权令牌，格式为Bearer $DASHSCOPE_API_KEY，使用时，将“$DASHSCOPE_API_KEY”替换为实际的API Key。
Content-Typestring是请求体的媒体类型，固定为application/json。
X-DashScope-SSEstring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

curl -X POST https://maas.qianwenaiapi.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
    }
}'
参数类型说明
modelstring（必选） 语音合成模型。
inputobject（必选） 输入参数对象**。**
input.textstring（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。
input.voicestring（必选） 音色。 取值范围：
input.formatstring（可选） 音频编码格式。 默认值：mp3。 取值范围：
  • mp3
  • pcm
  • wav
  • opus
input.sample_rateinteger（可选） 音频采样率（Hz）。 取值范围：8000、12000、16000、22050（默认）、24000、44100、48000。 说明： 当 format 为 opus 时，sample_rate 仅支持 8000、12000、16000、24000、48000。
input.volumeinteger（可选） 音量。 默认值：50。 取值范围：[0, 100]。
input.ratefloat（可选） 语速。 默认值：1.0。 取值范围：[0.5, 2.0]。
input.bit_rateinteger（可选） 音频码率（单位：kbps）。 默认值：32。 取值范围：[6, 510]。 提示： 仅在format为opus时支持使用该参数。
input.pitchfloat（可选） 音调。 默认值：1.0。 取值范围：[0.5, 2.0]。
input.enable_ssmlboolean（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。
input.word_timestamp_enabledboolean（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。支持复刻音色；支持的系统音色请参见Qwen-Audio-TTS音色列表。
input.seedinteger（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]。
input.language_hintsarray[string]（可选） 提示： - 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
  • 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
input.instructionstring（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。
input.enable_aigc_tagboolean（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。
input.aigc_propagatorstring（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：千问AI平台账号。
input.aigc_propagate_idstring（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。
input.hot_fixobject（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。 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"}
  ]
}

返回体

  • 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/qwen-audio-3.0-tts-flash/20260304/xxxxxxxx/ee88b03d-0457-9286-8c67-xxxxxxxxxxxx.wav?xxxxxxx",
            "id": "audio_ee88b03d-0457-9286-8c67-xxxxxxxxxxxx",
            "expires_at": 1772697707
        }
    },
    "usage": {
        "characters": 15
    }
}
参数类型说明
request_idstring本次调用的唯一标识符。
outputobject模型返回的数据。
output.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
output.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用量信息（usage）
output.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。
output.sentenceobject句子信息。
output.sentence.indexinteger句子的编号，从0开始。
output.sentence.wordsarray每句话对应的字的信息。
output.sentence.words.textstring字。
output.sentence.words.begin_indexinteger字在句子中的开始位置索引，从 0 开始。
output.sentence.words.end_indexinteger字在句子中的结束位置索引，从 1 开始。
output.sentence.words.begin_timeinteger字对应音频的开始时间戳，单位为毫秒。
output.sentence.words.end_timeinteger字对应音频的结束时间戳，单位为毫秒。
output.audioobject合成的音频数据。
output.audio.datastring流式合成时输出Base64格式音频数据。非流式合成时为空。
output.audio.urlstring模型输出的完整音频文件的URL，有效期24小时。
output.audio.idstring模型输出的音频信息对应的ID。
output.audio.expires_atintegerurl 过期时间戳。
usageobject 计费用量。
usage.input_tokensinteger本次请求的输入 Token 数。 说明： 适用于 qwen-audio-3.1-tts-flash。
usage.output_tokensinteger本次请求的输出 Token 数。 说明： 适用于 qwen-audio-3.1-tts-flash。
usage.total_tokensinteger输入和输出 Token 数之和。 说明： 适用于 qwen-audio-3.1-tts-flash。
usage.charactersinteger累计计费字符数。 说明： 适用于 qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash。