语音合成模型

选择模型前，先确定两个问题：是否需要自定义音色（还是内置音色即可），以及是否需要实时流式输出。

​

从闭源模型迁移到千问AI平台？

如果你正在使用 ElevenLabs、OpenAI 或 Google 的语音合成服务，可参考下表选择对应的模型：

​

内置音色还是自定义音色？

​

内置音色

从音色库中选择一个音色，即可开始合成语音。

• Qwen-Audio-TTS — 通过 WebSocket/HTTP 调用，支持声音复刻和指令控制
• CosyVoice — 音色库丰富，合成质量高，选定音色即可使用
• Qwen3-TTS — 低延迟流式输出
• MiniMax — 支持混合音色和情感风格调节，适合社交、播客等场景

​

自定义音色

音色库中没有满意的音色？

• 声音克隆（Voice Cloning） — 基于音频样本复现特定人物的声音。适用于需要匹配目标音色的场景。Qwen-Audio-TTS、CosyVoice、Qwen3-TTS 和 MiniMax 均支持声音克隆。
• 声音设计（Voice Design） — 通过文字描述生成全新音色（例如"温暖低沉的女声"）。适用于无音频样本但需要品牌专属音色的场景。

​

控制语音效果

三种方式，按灵活性由高到低排列：

1. 指令控制（CosyVoice 系列：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash）— 用自然语言描述期望的朗读效果，可逐次调整语速、情感和风格。灵活性最高。
2. 声音设计 — 通过文字描述生成自定义音色。适合在没有音频样本的情况下打造品牌音色。
3. 声音克隆 — 基于音频样本复现已有声音。适合需要匹配特定人物音色的场景。

​

推荐模型

​

全部模型

​

了解更多