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。
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:
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。
实时交互场景优先选择
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。
各系列支持的自定义能力:
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。
除了选择音色,还可以通过参数、指令或标签调整合成效果。
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。
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。
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 3 | qwen-audio-3.1-tts-plus |
| 自定义音色 / 音色复刻 | ElevenLabs Multilingual v3 | qwen-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。 |
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-plus | Qwen-Audio-TTS | ✓ | ✓ | ✓ |
cosyvoice-v3-plus | CosyVoice | ✓ | ✓ | — |
MiniMax/speech-2.8-hd | MiniMax | ✓ | ✓ | — |
qwen3-tts-flash | Qwen3-TTS | ✓ | — | — |
qwen3-tts-flash-realtime | Qwen3-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 |
- 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。
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。
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
Qwen-Audio-TTS
Qwen-Audio-TTS
| 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 | ✓ | ✓ | ✓ |
CosyVoice
CosyVoice
| 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 | ✓ | ✓ | ✓ |
Qwen3-TTS
Qwen3-TTS
| 模型 | 流式输出 | 自定义音色 | 指令控制 |
|---|---|---|---|
qwen3-tts-flash | ✓ | — | — |
qwen3-tts-flash-realtime | ✓ | — | — |
MiniMax
MiniMax
| 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 | ✓ | ✓ | — |
声音克隆与设计
声音克隆与设计
| 模型 | 流式输出 | 自定义音色 | 指令控制 |
|---|---|---|---|
voice-enrollment | ✗ | ✓ | — |
旧版模型
旧版模型
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-v2 | CosyVoice | ✓ | ✓(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 |