Qwen-Audio-TTS Java SDK - 千问AI平台

接口地址

SDK 的接口地址需在初始化前设置为下方地址。 wss://maas.qianwenaiapi.com/api-ws/v1/inference

SpeechSynthesizer

包路径：com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer

构造方法

public SpeechSynthesizer(SpeechSynthesisParam param, ResultCallback<SpeechSynthesisResult> callback)

参数说明：

param：语音合成参数，通过SpeechSynthesisParam .builder()构建
callback：回调函数，用于流式调用。非流式调用时传入null

call() - 非流式/单向流式合成

方法签名：

public ByteBuffer call(String text)

参数说明：

参数	类型	必填	说明
`text`	`String`	是	待合成的文本，长度不得超过20000字符。

返回值：ByteBuffer 或 null。非流式调用时返回完整音频数据；单向流式调用时音频通过回调返回，此方法返回null。

streamingCall() - 双向流式合成

方法签名：

public void streamingCall(String text)

参数说明：

参数	类型	必填	说明
`text`	`String`	是	待合成的文本，长度不得超过20000字符。可多次调用追加文本。

streamingComplete() - 结束双向流式调用

方法签名：

public void streamingComplete()

结束双向流式调用，通知服务端所有文本已发送完毕。

streamingCancel() - 取消双向流式调用

方法签名：

public void streamingCancel()

说明：取消当前轮次的双向流式语音合成任务。调用后，SDK 会立即结束当前任务。取消后可在当前连接上继续发起新的合成任务，无需重新初始化 SpeechSynthesizer 实例。

版本要求：使用该功能需要 Java SDK 版本不低于 2.22.26。

callAsFlowable() - 单向流式合成（响应式）

方法签名：

public Flowable<SpeechSynthesisResult> callAsFlowable(String text)

参数说明：

参数	类型	必填	说明
`text`	`String`	是	待合成的文本。

返回值：Flowable< SpeechSynthesisResult > 响应式流。

streamingCallAsFlowable() - 双向流式合成（响应式）

方法签名：

public Flowable<SpeechSynthesisResult> streamingCallAsFlowable(Flowable<String> textStream)

参数说明：

参数	类型	必填	说明
`textStream`	`Flowable<String>`	是	文本的响应式流。

返回值：Flowable< SpeechSynthesisResult > 响应式流。

getDuplexApi().close() - 关闭WebSocket连接

方法签名：

public boolean getDuplexApi().close(int code, String reason)

参数说明：

参数	类型	必填	说明
`code`	`int`	是	关闭码。
`reason`	`String`	是	关闭原因。

返回值：boolean，是否成功关闭。

getLastRequestId() - 获取请求ID

方法签名：

public String getLastRequestId()

返回值：String，请求ID。

getFirstPackageDelay() - 获取首包延迟

方法签名：

public long getFirstPackageDelay()

返回值：long，首包延迟（ms），从发送第一包到收到首包结果。

SpeechSynthesisParam

包路径：com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam 示例：

SpeechSynthesisParam param = SpeechSynthesisParam.builder()
    .model("qwen-audio-3.0-tts-flash") // 模型
    .voice("longanhuan_v3.6") // 音色
    .format(SpeechSynthesisAudioFormat.WAV_8000HZ_MONO_16BIT) // 音频编码格式、采样率
    .volume(50) // 音量，取值范围：[0, 100]
    .speechRate(1.0f) // 语速，取值范围：[0.5, 2]
    .pitchRate(1.0f) // 语调，取值范围：[0.5, 2]
    .build();

Builder 方法

方法	参数类型	必填	说明
`model(String)`	`String`	是	模型名称。
`voice(String)`	`String`	是	语音合成所使用的音色。系统音色：参见Qwen-Audio-TTS音色列表复刻音色：通过声音复刻功能定制声音设计音色：通过声音设计功能定制
`format(SpeechSynthesisAudioFormat)`	`enum`	否	音频编码格式及采样率。默认值：SpeechSynthesisAudioFormat.MP3_22050HZ_MONO_256KBPS。 SpeechSynthesisAudioFormat包路径：`com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisAudioFormat`。
`volume(int)`	`int`	否	音量。默认值：50。取值范围：[0, 100]。
`speechRate(float)`	`float`	否	语速。默认值：1.0。取值范围：[0.5, 2.0]。
`pitchRate(float)`	`float`	否	音调。默认值：1.0。取值范围：[0.5, 2.0]。
`enableWordTimestamp(boolean)`	`boolean`	否	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。
`seed(int)`	`int`	否	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]。 SDK版本低于2.21.7时，`seed`需要通过扩展参数进行设置。
`languageHints(List<String>)`	`List<String>`	否	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
`instruction(String)`	`String`	否	设置指令，用于控制方言、情感或角色等合成效果。使用说明请参见指令控制。
`hotFix(ParamHotFix)`	`ParamHotFix`	否	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：示例 1 请参见表格下方
`parameter(String key, Object value)`	String, Object	否	设置扩展参数。
`parameters(Map<String, Object>)`	`Map`	否	设置扩展参数。

示例 1（说明）：

List<ParamHotFix.PronunciationItem> pronunciationItems = new ArrayList<>();
pronunciationItems.add(new ParamHotFix.PronunciationItem("天气", "tian1 qi4"));

List<ParamHotFix.ReplaceItem> replaceItems = new ArrayList<>();
replaceItems.add(new ParamHotFix.ReplaceItem("今天", "金天"));

ParamHotFix paramHotFix = new ParamHotFix();
paramHotFix.setPronunciation(pronunciationItems);
paramHotFix.setReplace(replaceItems);

SpeechSynthesisParam param = SpeechSynthesisParam.builder()
                        .model("qwen-audio-3.0-tts-flash") // 模型
                        .voice("longanhuan_v3.6") // 音色
                        .hotFix(paramHotFix)
                        .build();

扩展参数

通过 parameter() 或 parameters() 设置。示例：

SpeechSynthesisParam param = SpeechSynthesisParam.builder()
  .model("qwen-audio-3.0-tts-flash")
  .voice("longanhuan_v3.6")
  .parameter("bit_rate", 32)
  .build();

参数名	类型	必填	说明
`bit_rate`	`integer`	否	音频码率（kbps）。音频格式为mp3或opus时，支持通过`bit_rate`参数调整码率。默认值：32。取值范围：[6, 510]。
`enable_aigc_tag`	`boolean`	否	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。
`aigc_propagator`	`String`	否	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。
`aigc_propagate_id`	`String`	否	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。

ResultCallback

包路径：com.alibaba.dashscope.common.ResultCallback

onEvent() - 接收音频数据

方法签名：

public void onEvent(SpeechSynthesisResult result)

参数说明：

参数	类型	必填	说明
`result`	SpeechSynthesisResult	是	接收到合成事件时触发，包含音频帧、时间戳信息和输出信息（事件类型、原始文本等）。

onComplete() - 合成完成

方法签名：

public void onComplete()

语音合成完成时触发。

onError() - 错误处理

方法签名：

public void onError(Exception e)

参数说明：

参数	类型	必填	说明
`e`	`Exception`	是	发生错误时触发，包含异常信息。

SpeechSynthesisResult

包路径：com.alibaba.dashscope.audio.tts.SpeechSynthesisResult

getAudioFrame() - 获取音频数据帧

方法签名：

public ByteBuffer getAudioFrame()

返回值：ByteBuffer，音频数据帧。

getTimestamp() - 获取时间戳信息

方法签名：

public Sentence getTimestamp()

返回值：Sentence，时间戳信息。

getOutput() - 获取输出信息

方法签名：

public JsonObject getOutput()

返回值：com.google.gson.JsonObject，合成事件的输出信息，包含事件类型和文本内容。需要SDK版本 >= 2.22.0。

句子级别时间戳信息（`Sentence`）

Sentence封装了句子级别时间戳信息。

getBeginTime() - 获取句子开始时间

方法签名：

public int getBeginTime()

返回值：句子开始时间，单位为ms。

getEndTime() - 获取句子结束时间

方法签名：

public int getEndTime()

返回值：句子结束时间，单位为ms。

getWords() - 获取字级别时间戳

方法签名：

public List<Word> getWords()

返回值：Word的List集合，批量获取字级别时间戳信息，可能为空。

字级别时间戳信息（`Word`）

Word封装了字级别时间戳信息。

getBeginTime() - 获取词开始时间

方法签名：

public int getBeginTime()

返回值：词开始时间，单位为ms。

getEndTime() - 获取词结束时间

方法签名：

public int getEndTime()

返回值：词结束时间，单位为ms。

getText() - 获取文本信息

方法签名：

public String getText()

返回值：String，文本信息。

getPhonemes() - 获取音素级别时间戳

方法签名：

public List<Phoneme> getPhonemes()

返回值：Phoneme的List集合，批量获取音素级别时间戳信息，可能为空。

音素级别时间戳信息（`Phoneme`）

Phoneme封装了音素级别时间戳信息。

getBeginTime() - 获取音素开始时间

方法签名：

public int getBeginTime()

返回值：音素开始时间，单位为ms。

getEndTime() - 获取音素结束时间

方法签名：

public int getEndTime()

返回值：音素结束时间，单位为ms。

getText() - 获取文本信息

方法签名：

public String getText()

返回值：String，文本信息。

getTone() - 获取音调

方法签名：

public int getTone()

返回值：音调。

英文中，0、1、2分别代表轻音、重音和次重音。
拼音中，1、2、3、4、5分别代表一声、二声、三声、四声和轻声。

输出信息（`output`）

getOutput()返回JsonObject，封装了合成事件的输出信息。在onEvent回调或Flowable流中获取。包含以下字段：

字段	类型	说明
`type`	`String`	事件类型。取值：`sentence-begin`（句子开始，返回待合成的文本内容）、`sentence-synthesis`（标识音频数据块，表示当前正在合成音频）、`sentence-end`（句子结束，返回文本内容和字级别时间戳）。
`original_text`	`String`	当前句子的原始文本内容。在`sentence-begin`和`sentence-end`事件中返回。
`sentence`	`JsonObject`	句子信息，包含句子编号（`index`）和字级别时间戳（`words`）。在`sentence-end`事件中包含完整的字级别时间戳信息。

示例代码

SDK提供了语音合成的关键接口，支持以下几种调用方式：

非流式调用：阻塞式，一次性发送完整文本，直接返回完整音频。适合短文本语音合成场景。
单向流式调用：非阻塞式，一次性发送完整文本，通过回调函数接收音频数据（可能分片）。适用于对实时性要求高的短文本语音合成场景。
双向流式调用：非阻塞式，可分多次发送文本片段，通过回调函数实时接收增量合成的音频流。适合实时性要求高的长文本语音合成场景。

更多示例，请参见GitHub。

非流式调用
单向流式调用
双向流式调用

发送的文本长度不得超过20000字符。

每次调用call方法前，需要重新初始化SpeechSynthesizer实例。

import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.utils.Constants;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.nio.ByteBuffer;

public class Main {
    // 模型
    private static String model = "qwen-audio-3.0-tts-flash";
    // 音色
    private static String voice = "longanhuan_v3.6";

    public static void streamAudioDataToSpeaker() {
        // 请求参数
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // 若没有配置环境变量，请用千问AI平台API Key将下行替换为：.apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // 模型
                        .voice(voice) // 音色
                        .build();

        // 同步模式：禁用回调（第二个参数为null）
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, null);
        ByteBuffer audio = null;
        try {
            // 阻塞直至音频返回
            audio = synthesizer.call("今天天气怎么样？");
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // 任务结束关闭websocket连接
            synthesizer.getDuplexApi().close(1000, "bye");
        }
        if (audio != null) {
            // 将音频数据保存到本地文件"output.mp3"中
            File file = new File("output.mp3");
            // 首次发送文本时需建立 WebSocket 连接，因此首包延迟会包含连接建立的耗时
            System.out.println(
                    "[Metric] requestId为："
                            + synthesizer.getLastRequestId()
                            + "首包延迟（毫秒）为："
                            + synthesizer.getFirstPackageDelay());
            try (FileOutputStream fos = new FileOutputStream(file)) {
                fos.write(audio.array());
            } catch (IOException e) {
                throw new RuntimeException(e);
            }
        }
    }

    public static void main(String[] args) {
        Constants.baseWebsocketApiUrl = "wss://maas.qianwenaiapi.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

发送的文本长度不得超过20000字符。

每次调用call方法前，需要重新初始化SpeechSynthesizer实例。

import com.alibaba.dashscope.audio.tts.SpeechSynthesisResult;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.util.concurrent.CountDownLatch;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    // 模型
    private static String model = "qwen-audio-3.0-tts-flash";
    // 音色
    private static String voice = "longanhuan_v3.6";

    public static void streamAudioDataToSpeaker() {
        CountDownLatch latch = new CountDownLatch(1);

        // 实现回调接口ResultCallback
        ResultCallback<SpeechSynthesisResult> callback = new ResultCallback<SpeechSynthesisResult>() {
            @Override
            public void onEvent(SpeechSynthesisResult result) {
                if (result.getAudioFrame() != null) {
                    // 此处实现保存音频数据到本地的逻辑
                    System.out.println(TimeUtils.getTimestamp() + " 收到音频");
                }
                // 获取输出信息，包含事件类型和原始文本
                if (result.getOutput() != null && result.getOutput().has("type")) {
                    System.out.println("事件类型: " + result.getOutput().get("type").getAsString()
                            + ", 原始文本: " + (result.getOutput().has("original_text") ? result.getOutput().get("original_text").getAsString() : ""));
                }
            }

            @Override
            public void onComplete() {
                System.out.println(TimeUtils.getTimestamp() + " 收到Complete，语音合成结束");
                latch.countDown();
            }

            @Override
            public void onError(Exception e) {
                System.out.println("出现异常：" + e.toString());
                latch.countDown();
            }
        };

        // 请求参数
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // 若没有配置环境变量，请用千问AI平台API Key将下行替换为：.apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // 模型
                        .voice(voice) // 音色
                        .build();
        // 第二个参数"callback"传入回调即启用异步模式
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, callback);
        // 非阻塞调用，立即返回null（实际结果通过回调接口异步传递），在回调接口的onEvent方法中实时获取二进制音频
        try {
            synthesizer.call("今天天气怎么样？");
            // 等待合成完成
            latch.await();
            // 等待播放线程全部播放完
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // 任务结束后关闭websocket连接
            synthesizer.getDuplexApi().close(1000, "bye");
        }
        // 首次发送文本时需建立 WebSocket 连接，因此首包延迟会包含连接建立的耗时
        System.out.println(
                "[Metric] requestId为："
                        + synthesizer.getLastRequestId()
                        + "，首包延迟（毫秒）为："
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) {
        Constants.baseWebsocketApiUrl = "wss://maas.qianwenaiapi.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

单次发送文本长度不得超过 20000 字符，且累计发送文本总长度不得超过 20 万字符。

流式输入时可多次调用streamingCall按顺序提交文本片段。服务端接收文本片段后自动进行分句：
- 完整语句立即合成
- 不完整语句缓存至完整后合成
调用 streamingComplete 时，服务端会强制合成所有已接收但未处理的文本片段（包括未完成的句子）。
发送文本片段的间隔不得超过23秒，否则触发“request timeout after 23 seconds”异常。若无待发送文本，需及时调用 streamingComplete结束任务。
请务必确保调用streamingComplete方法，否则可能会导致结尾部分的文本无法成功转换为语音。

服务端强制设定23秒超时机制，客户端无法修改该配置。

import com.alibaba.dashscope.audio.tts.SpeechSynthesisResult;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisAudioFormat;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    private static String[] textArray = {"流式文本语音合成SDK，",
            "可以将输入的文本", "合成为语音二进制数据，", "相比于非流式语音合成，",
            "流式合成的优势在于实时性", "更强。用户在输入文本的同时",
            "可以听到接近同步的语音输出，", "极大地提升了交互体验，",
            "减少了用户等待时间。", "适用于调用大规模", "语言模型（LLM），以",
            "流式输入文本的方式", "进行语音合成的场景。"};
    private static String model = "qwen-audio-3.0-tts-flash"; // 模型
    private static String voice = "longanhuan_v3.6"; // 音色

    public static void streamAudioDataToSpeaker() {
        // 配置回调函数
        ResultCallback<SpeechSynthesisResult> callback = new ResultCallback<SpeechSynthesisResult>() {
            @Override
            public void onEvent(SpeechSynthesisResult result) {
                // System.out.println("收到消息: " + result);
                if (result.getAudioFrame() != null) {
                    // 此处实现处理音频数据的逻辑
                    System.out.println(TimeUtils.getTimestamp() + " 收到音频");
                }
            }

            @Override
            public void onComplete() {
                System.out.println(TimeUtils.getTimestamp() + " 收到Complete，语音合成结束");
            }

            @Override
            public void onError(Exception e) {
                System.out.println("出现异常：" + e.toString());
            }
        };

        // 请求参数
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // 若没有配置环境变量，请用千问AI平台API Key将下行替换为：.apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model)
                        .voice(voice)
                        .format(SpeechSynthesisAudioFormat
                                .PCM_22050HZ_MONO_16BIT) // 流式合成使用PCM或者MP3
                        .build();
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, callback);
        // 带Callback的call方法将不会阻塞当前线程
        try {
            for (String text : textArray) {
                // 发送文本片段，在回调接口的onEvent方法中实时获取二进制音频
                synthesizer.streamingCall(text);
            }
            // 等待结束流式语音合成
            synthesizer.streamingComplete();
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // 任务结束关闭websocket连接
            synthesizer.getDuplexApi().close(1000, "bye");
        }

        // 首次发送文本时需建立 WebSocket 连接，因此首包延迟会包含连接建立的耗时
        System.out.println(
                "[Metric] requestId为："
                        + synthesizer.getLastRequestId()
                        + "，首包延迟（毫秒）为："
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) {
        Constants.baseWebsocketApiUrl = "wss://maas.qianwenaiapi.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

通过Flowable调用

Flowable是RxJava中表示响应式数据流的类型，支持背压。关于Flowable的使用，请参见Flowable API详情。使用Flowable前需确保已集成RxJava库，并了解响应式编程基础概念。单次发送文本长度不得超过 20000 字符，且累计发送文本总长度不得超过 20 万字符。

单向流式调用
双向流式调用

以下示例展示了通过Flowable对象的blockingForEach接口，阻塞式地获取每次流式返回的SpeechSynthesisResult类型数据。

import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    private static String model = "qwen-audio-3.0-tts-flash"; // 模型
    private static String voice = "longanhuan_v3.6"; // 音色

    public static void streamAudioDataToSpeaker() throws NoApiKeyException {
        // 请求参数
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // 若没有配置环境变量，请用千问AI平台API Key将下行替换为：.apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // 模型
                        .voice(voice) // 音色
                        .build();
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, null);
        synthesizer.callAsFlowable("今天天气怎么样?").blockingForEach(result -> {
            if (result.getAudioFrame() != null) {
                // 此处实现处理音频数据的逻辑
                System.out.println(TimeUtils.getTimestamp() + " 收到音频");
            }
            // 获取输出信息，包含事件类型和原始文本
            if (result.getOutput() != null && result.getOutput().has("type")) {
                System.out.println("事件类型: " + result.getOutput().get("type").getAsString()
                        + ", 原始文本: " + (result.getOutput().has("original_text") ? result.getOutput().get("original_text").getAsString() : ""));
            }
        });
        // 任务结束关闭 WebSocket 连接
        synthesizer.getDuplexApi().close(1000, "bye");
        // 首次发送文本时需建立 WebSocket 连接，因此首包延迟会包含连接建立的耗时
        System.out.println(
                "[Metric] requestId为："
                        + synthesizer.getLastRequestId()
                        + "首包延迟（毫秒）为："
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) throws NoApiKeyException {
        Constants.baseWebsocketApiUrl = "wss://maas.qianwenaiapi.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

以下示例展示了通过Flowable对象作为输入参数，输入文本流。并通过Flowable对象作为返回值，利用的blockingForEach接口，阻塞式地获取每次流式返回的SpeechSynthesisResult类型数据。

import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import io.reactivex.BackpressureStrategy;
import io.reactivex.Flowable;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    private static String[] textArray = {"流式文本语音合成SDK，",
            "可以将输入的文本", "合成为语音二进制数据，", "相比于非流式语音合成，",
            "流式合成的优势在于实时性", "更强。用户在输入文本的同时",
            "可以听到接近同步的语音输出，", "极大地提升了交互体验，",
            "减少了用户等待时间。", "适用于调用大规模", "语言模型（LLM），以",
            "流式输入文本的方式", "进行语音合成的场景。"};
    private static String model = "qwen-audio-3.0-tts-flash";
    private static String voice = "longanhuan_v3.6";

    public static void streamAudioDataToSpeaker() throws NoApiKeyException {
        // 模拟流式输入
        Flowable<String> textSource = Flowable.create(emitter -> {
            new Thread(() -> {
                for (int i = 0; i < textArray.length; i++) {
                    emitter.onNext(textArray[i]);
                    try {
                        Thread.sleep(1000);
                    } catch (InterruptedException e) {
                        throw new RuntimeException(e);
                    }
                }
                emitter.onComplete();
            }).start();
        }, BackpressureStrategy.BUFFER);

        // 请求参数
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // 若没有配置环境变量，请用千问AI平台API Key将下行替换为：.apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // 模型
                        .voice(voice) // 音色
                        .build();
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, null);
        synthesizer.streamingCallAsFlowable(textSource).blockingForEach(result -> {
            if (result.getAudioFrame() != null) {
                // 此处实现播放音频的逻辑
                System.out.println(
                        TimeUtils.getTimestamp() +
                                " 二进制音频大小为：" + result.getAudioFrame().capacity());
            }
            // 获取输出信息，包含事件类型和原始文本
            if (result.getOutput() != null && result.getOutput().has("type")) {
                System.out.println("事件类型: " + result.getOutput().get("type").getAsString()
                        + ", 原始文本: " + (result.getOutput().has("original_text") ? result.getOutput().get("original_text").getAsString() : ""));
            }
        });
        synthesizer.getDuplexApi().close(1000, "bye");
        // 首次发送文本时需建立 WebSocket 连接，因此首包延迟会包含连接建立的耗时
        System.out.println(
                "[Metric] requestId为："
                        + synthesizer.getLastRequestId()
                        + "，首包延迟（毫秒）为："
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) throws NoApiKeyException {
        Constants.baseWebsocketApiUrl = "wss://maas.qianwenaiapi.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

高并发调用

在DashScope Java SDK中，采用了OkHttp3的连接池技术，以减少重复建立连接的开销。详情请参见高并发最佳实践。

​接口地址

​SpeechSynthesizer

​构造方法

​call() - 非流式/单向流式合成

​streamingCall() - 双向流式合成

​streamingComplete() - 结束双向流式调用

​streamingCancel() - 取消双向流式调用

​callAsFlowable() - 单向流式合成（响应式）

​streamingCallAsFlowable() - 双向流式合成（响应式）

​getDuplexApi().close() - 关闭WebSocket连接

​getLastRequestId() - 获取请求ID

​getFirstPackageDelay() - 获取首包延迟

​SpeechSynthesisParam

​Builder 方法

​扩展参数

​ResultCallback

​onEvent() - 接收音频数据

​onComplete() - 合成完成

​onError() - 错误处理

​SpeechSynthesisResult

​getAudioFrame() - 获取音频数据帧

​getTimestamp() - 获取时间戳信息

​getOutput() - 获取输出信息

​句子级别时间戳信息（Sentence）

​getBeginTime() - 获取句子开始时间

​getEndTime() - 获取句子结束时间

​getWords() - 获取字级别时间戳

​字级别时间戳信息（Word）

​getBeginTime() - 获取词开始时间

​getEndTime() - 获取词结束时间

​getText() - 获取文本信息

​getPhonemes() - 获取音素级别时间戳

​音素级别时间戳信息（Phoneme）

​getBeginTime() - 获取音素开始时间

​getEndTime() - 获取音素结束时间

​getText() - 获取文本信息

​getTone() - 获取音调

​输出信息（output）

​示例代码

​通过Flowable调用

​高并发调用

接口地址

SpeechSynthesizer

构造方法

call() - 非流式/单向流式合成

streamingCall() - 双向流式合成

streamingComplete() - 结束双向流式调用

streamingCancel() - 取消双向流式调用

callAsFlowable() - 单向流式合成（响应式）

streamingCallAsFlowable() - 双向流式合成（响应式）

getDuplexApi().close() - 关闭WebSocket连接

getLastRequestId() - 获取请求ID

getFirstPackageDelay() - 获取首包延迟

SpeechSynthesisParam

Builder 方法

扩展参数

ResultCallback

onEvent() - 接收音频数据

onComplete() - 合成完成

onError() - 错误处理

SpeechSynthesisResult

getAudioFrame() - 获取音频数据帧

getTimestamp() - 获取时间戳信息

getOutput() - 获取输出信息

句子级别时间戳信息（`Sentence`）

getBeginTime() - 获取句子开始时间

getEndTime() - 获取句子结束时间

getWords() - 获取字级别时间戳

字级别时间戳信息（`Word`）

getBeginTime() - 获取词开始时间

getEndTime() - 获取词结束时间

getText() - 获取文本信息

getPhonemes() - 获取音素级别时间戳

音素级别时间戳信息（`Phoneme`）

getBeginTime() - 获取音素开始时间

getEndTime() - 获取音素结束时间

getText() - 获取文本信息

getTone() - 获取音调

输出信息（`output`）

示例代码

通过Flowable调用

高并发调用