跳转到主要内容
语音合成

语音合成模型

选择适合语音合成、声音克隆和音色设计的模型,并查看各系列支持的音色类型、合成方式与语言范围。

选择模型前,先确定需要合成的语言、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:
使用场景闭源模型代表推荐
内置音色 / 标准合成OpenAI gpt-4o-tts、Google Chirp 3qwen-audio-3.1-tts-plus
自定义音色 / 音色复刻ElevenLabs Multilingual v3qwen-audio-3.0-tts-flash(音色复刻)、cosyvoice-v3.5-plus(音色设计)

模型选型

实时交互、内容制作和精细朗读控制对模型能力的要求不同,可根据以下需求选择模型。
使用需求推荐模型选择说明
语音助手、实时对话、智能客服qwen-audio-3.1-tts-flash面向低延迟交互场景,支持系统音色、音色复刻、音色设计、自然语言指令及情感与富语言标签。
有声书、影视配音、品牌声音与内容制作qwen-audio-3.1-tts-plus侧重音质、自然度和细节表现,支持系统音色、音色复刻、音色设计及丰富的表达控制。
实时交互场景优先选择 qwen-audio-3.1-tts-flash;有声书、影视配音、品牌声音等内容制作场景优先选择 qwen-audio-3.1-tts-plus。各系列的模型 ID 参见全部模型。
模型系列流式输出自定义音色指令控制
qwen-audio-3.1-tts-plusQwen-Audio-TTS✓✓✓
cosyvoice-v3-plusCosyVoice✓✓—
MiniMax/speech-2.8-hdMiniMax✓✓—
qwen3-tts-flashQwen3-TTS✓——
qwen3-tts-flash-realtimeQwen3-TTS✓——

音色选择

音色有三个来源,区别在于是否需要准备音频样本或音色描述。
音色来源需要准备适用场景使用入口
系统音色无需音频样本或音色描述,选择已有音色即可。智能客服、有声阅读、内容播报等已有音色能够满足的场景。Qwen-Audio-TTS 音色列表、CosyVoice 音色列表、Qwen3-TTS 音色列表
复刻音色提供目标说话人的音频样本。复用品牌代言人、主播等已有声音,创建个性化语音助手或虚拟主播。音色复刻
设计音色用文字描述期望的声音,例如"温暖的低音女声"。没有录音素材,需要为品牌、游戏或动画角色创建新音色。音色设计
各系列支持的自定义能力:
  • Qwen-Audio-TTS — 通过 WebSocket/HTTP 调用,支持系统音色、音色复刻和音色设计,并支持指令控制。
  • CosyVoice — 音色库丰富,合成质量高,支持音色复刻和音色设计。
  • Qwen3-TTS — 低延迟流式输出,仅支持系统音色,不支持音色复刻和音色设计。
  • MiniMax — 支持混合音色和情感风格调节,适合社交、播客等场景,支持音色复刻。
CosyVoice 系列模型还支持通过 AOQ 协议接入;如果是客户端对接,且更看重稳定的延迟、弱网下的交互能力、实时双工的降噪与回声消除,可优先考虑 AOQ,协议对比与选型请参见 Realtime API 概述。
音色设计用于创建可重复使用的音色。如果只需在单次合成中调整语速、情感或说话方式,可使用合成效果控制。

合成方式

合成方式的区别在于一次输入完整文本还是分段持续输入,以及一次获取完整音频还是边合成边获取音频。流式输出音频与流式输入文本是两种不同的能力。
合成方式文本输入音频输出适用场景
非流式一次发送完整文本。合成完成后获取完整音频。无需边合成边播放的内容制作。
单向流式一次发送完整文本。边合成边分段返回音频。文本已准备好,希望尽早开始播放。
双向流式持续发送文本片段。边合成边分段返回音频。对接大模型等文本持续产生的实时交互。
  • 非实时合成:一次提交完整文本,可选择非流式或流式获取音频,参见非实时语音合成。
  • 实时合成:分段或持续提交文本,也可一次提交完整文本,参见实时语音合成。对于移动端等实时交互应用,可按 Realtime API 概述选择可用的接入协议。其中,AOQ(AI over QUIC)针对低延迟和弱网传输进行优化,并内置回声消除和降噪能力。

合成效果控制

除了选择音色,还可以通过参数、指令或标签调整合成效果。
希望调整的效果控制方式
语速、音调、音量设置模型提供的对应合成参数。
情感、风格、说话方式使用自然语言指令,例如"用温柔的语气,语速稍慢"。
局部情感及笑声、呼吸等表达在待合成文本中加入情感与富语言标签。
发音、停顿、数字读法等使用 SSML 标签精细控制朗读。
数学公式朗读使用 LaTeX 表达公式。
指令控制适用于 Qwen-Audio-TTS 的 qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash,以及 CosyVoice 的 cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash,可逐次调整语速、情感和风格,灵活性最高。指令中指定的语种须与待合成文本的语种一致。 按合成方式查看参数、支持条件和示例:

应用于生产环境

文本提交、音频接收与播放、连接与并发资源管理,以及性能评估和问题诊断,请参见语音合成最佳实践。

全部模型

模型流式输出自定义音色指令控制
qwen-audio-3.1-tts-plus✓✓✓
qwen-audio-3.0-tts-plus✓✓✓
qwen-audio-3.1-tts-flash✓✓✓
qwen-audio-3.0-tts-flash✓✓✓
模型流式输出自定义音色指令控制
cosyvoice-v3.5-plus✓✓✓
cosyvoice-v3.5-flash✓✓✓
cosyvoice-v3-plus✓✓—
cosyvoice-v3-flash✓✓✓
模型流式输出自定义音色指令控制
qwen3-tts-flash✓——
qwen3-tts-flash-realtime✓——
模型流式输出自定义音色指令控制
MiniMax/speech-2.8-hd✓✓—
MiniMax/speech-02-hd✓✓—
MiniMax/speech-2.8-turbo✓✓—
MiniMax/speech-02-turbo✓✓—
模型流式输出自定义音色指令控制
voice-enrollment✗✓—
上一代模型。新项目建议使用上述最新版本。
模型系列流式输出自定义音色指令控制
cosyvoice-v2CosyVoice✓✓(仅音色复刻)—

语言与方言支持

按需要合成的语言或方言选择音色。下表按模型系列和音色类型列出支持范围。
  • Qwen-Audio-TTS
  • CosyVoice
  • Qwen3-TTS
音色类型合成输出语言与方言
系统音色支持中文、英语等语言,具体范围因模型和音色而异,参见 Qwen-Audio-TTS 音色列表。
复刻音色中文(普通话、广东话、重庆话、东北话、甘肃话、贵州话、浙江话、河北话、河南话、湖北话、湖南话、江西话、宁波话、宁夏话、青岛话、陕西话、山西话、山东话、上海话、四川话、云南话)、英语、日语、韩语、俄语、法语、德语、葡萄牙语、泰语、印尼语、越南语、西班牙语、意大利语、马来西亚语、菲律宾语、阿拉伯语(方言通过指令控制功能进行设置)。
其他语种(适用于 qwen-audio-3.1-tts-flash):保加利亚语、荷兰语、匈牙利语、罗马尼亚语、丹麦语、克罗地亚语、希腊语、捷克语、挪威语、瑞典语、印地语、斯洛伐克语、芬兰语、乌尔都语、塞尔维亚语、墨西哥西班牙语、立陶宛语、拉脱维亚语、土耳其语、波斯语、希伯来语、蒙古语、斯洛文尼亚语、阿塞拜疆语、波兰语、加泰罗尼亚语、高棉语、巴西葡萄牙语、老挝语、格鲁吉亚语、南非荷兰语、尼泊尔语、白俄罗斯语、马拉雅拉姆语、卢森堡语、阿尔巴尼亚语、泰米尔语、僧伽罗语、泰卢固语、爱沙尼亚语、宿务语、波斯尼亚语、缅甸语、亚美尼亚语、拉丁语、冰岛语、马耳他语、斯瓦希里语、哈萨克语、塞舌尔克里奥尔语、乌克兰语。
设计音色中文(普通话)、英文

了解更多