跳转到主要内容
语音合成

非实时语音合成

通过 HTTP 将完整文本转换为语音,了解模型特性、快速调用方法和合成效果优化方式。

功能介绍

非实时语音合成通过 HTTP 一次提交完整文本,支持非流式和 SSE 流式输出。非流式在合成完成后返回完整音频,流式逐段返回音频数据。
  • 多语言与方言:根据目标语言选择模型和音色,也可通过指令指定方言。参见方言。
  • 表现力控制:通过自然语言指令调整语速、情感等表达,或在文本中插入情感与富语言标签。参见指令控制和情感与富语言标签。
  • 自定义音色:通过音色复刻从音频样本创建音色,或通过音色设计使用文字描述创建音色。
  • 精细控制与公式朗读:使用 SSML 与 LaTeX控制停顿、发音等效果,或将公式转换为语音。
  • Markdown 过滤:将包含表格等结构的 Markdown 文本转换成适合朗读的内容。参见Markdown 过滤。
  • 各模型及音色支持的能力有所不同,使用前请核对对应功能的支持范围。
  • 需要分批输入文本时,请使用实时语音合成。

开始使用

pip install requests
  • Qwen-Audio-TTS(推荐)
  • CosyVoice
  • MiniMax
以下使用 qwen-audio-3.1-tts-flash 和系统音色 longanhuan_v3.1,演示非流式和流式输出。
  • 非流式输出
  • 流式输出
import os
import requests

response = requests.post(
  'https://maas.qianwenaiapi.com/api/v1/services/audio/tts/SpeechSynthesizer',
  headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}"},
  json={
    "model": "qwen-audio-3.1-tts-flash",
    "input": {
      "text": "你好,欢迎使用千问AI平台。",
      "voice": "longanhuan_v3.1",
      "format": "wav",
      "sample_rate": 24000
    }
  },
  timeout=60,
)
response.raise_for_status()
audio_url = response.json()["output"]["audio"]["url"]
audio_response = requests.get(audio_url, timeout=60)
audio_response.raise_for_status()
with open("output.wav", "wb") as f:
  f.write(audio_response.content)
运行后,音频保存在当前目录的 output.wav 文件中。

合成效果优化

语言与发音

数字、缩写或符号的读法不符合预期时,可通过 language_hints 指定合成目标语言,或通过 hot_fix 定义词语发音与文本替换。参数适用模型和配置方法请参见对应的 Qwen-Audio-TTS API或 CosyVoice API。 需要控制停顿、数字读法或字词发音时,可使用 SSML。Qwen-Audio-TTS 和 CosyVoice 的适用模型、音色、接口与标签用法,请参见 SSML 与 LaTeX。

Markdown 过滤

合成包含表格、链接等 Markdown 格式的内容时,可将 enable_markdown_filter 设为 true,让服务先将 Markdown 转换成适合朗读的文本。Qwen-Audio-TTS 和 CosyVoice 支持此功能,cosyvoice-v2 除外。配置方法参见 Qwen-Audio-TTS API 和 CosyVoice API。

指令控制

在请求的 input 中增加 instruction,用自然语言说明要合成的语种,描述语速、情感或说话方式,控制合成语音的表现。
如需创建具有特定性别、年龄或音色特质的新音色,或参考声音描述的编写建议与示例,请参见音色设计。
  • Qwen-Audio-TTS
  • CosyVoice
qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash 的系统音色、复刻音色和设计音色均支持在合成请求中通过 instruction 设置自然语言指令。建议在 instruction 中说明合成语种和所需效果,以提升合成质量。指令中指定的语种须与待合成文本的语种一致。例如,合成荷兰语文本时,可设置:
{"instruction": "请用荷兰话说,每个字都慢慢说"}
MiniMax 通过 input.voice_setting.speed、pitch 和 emotion 设置语速、音调和情感,具体取值请参见 API 参考。

方言

通过方言功能,可将文本合成为河南话、四川话等中文方言语音。方言的选择方式取决于模型和音色类型。
  • Qwen-Audio-TTS
  • CosyVoice
  • 系统音色:从 Qwen-Audio-TTS 音色列表中选择支持目标方言的音色。直接支持该方言的音色无需额外设置;支持方言指令的音色使用 instruction 指定。
    使用 qwen-audio-3.1-tts-flash 的多语种与方言音色时,也可通过 language_hints 指定方言,参见多语种与方言音色的设置方法。
  • 复刻音色:通过 instruction 指定方言,例如 请用河南话表达。。
  • 设计音色:暂不支持方言。
对于支持方言指令的音色,在请求的 input 中设置 instruction="请讲上海话。",可将中文文本合成为上海话。
Qwen3-TTS 使用支持目标方言的系统音色,参见 Qwen3-TTS 音色列表。

情感与富语言标签

适用于 qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus 和 qwen-audio-3.0-tts-flash。
情感与富语言标签可控制语音的情感和风格,并在指定位置加入笑声、叹息等拟声效果。将标签直接写入待合成文本 text,无需额外参数。

使用示例

以下文本先使用兴奋语气,在指定位置插入笑声后继续合成正文:
[excited]今天的天气真不错![laughing]我们一起出去玩吧!
以下文本在第二句切换为兴奋语气:
[serious]请注意安全事项。[excited]好了,现在让我们开始吧!

支持标签

  • 控制类标签
  • 富语言类标签
控制类标签设置后续文本的情感或风格,直到出现下一个控制类标签;长句被自动切分时,作用范围以切分后的文本为界。
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]吸血鬼语气
[bored]无聊
[tired]疲倦
[scornful]轻蔑
[shouting]大喊
[asmr]ASMR 轻声
[panicked]惊慌
[mischievously]调皮
[empathetic]共情
[whispers]低声耳语
[reluctantly]不情愿
[crying]哭泣
[serious]严肃
[very slowly]非常缓慢
[very fast]非常快速

应用于生产环境

音频下载与保存、格式与播放器适配、并发管理和问题排查,请参见语音合成最佳实践。请求频率和并发数应遵循对应模型的限流。

支持模型

  • Qwen-Audio-TTS:qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、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
  • Qwen3-TTS:qwen3-tts-flash
  • MiniMax:MiniMax/speech-2.8-hd、MiniMax/speech-02-hd、MiniMax/speech-2.8-turbo、MiniMax/speech-02-turbo
系统音色与试听分别参见 Qwen-Audio-TTS、CosyVoice和 Qwen3-TTS 音色列表。使用复刻或设计音色时,合成模型须与创建音色时指定的目标模型一致。

API 参考