Alibaba Cloud Model Studio:Descripción general de la síntesis de voz

Elija el modelo adecuado para la síntesis de voz, la clonación de voz y el diseño de voz.

¿Migrando desde modelos propietarios?

Si actualmente utiliza ElevenLabs, OpenAI o Google para la síntesis de voz, utilice la siguiente tabla para encontrar el modelo equivalente de Model Studio.

Caso de uso	Modelo propietario	Equivalente en Model Studio
Voces integradas / síntesis estándar	OpenAI gpt-4o-tts, Google Chirp 3	qwen-audio-3.1-tts-plus
Voz personalizada / clonación de voz	ElevenLabs Multilingual v3	qwen-audio-3.0-tts-flash (clonación de voz), cosyvoice-v3.5-plus (diseño de voz)

¿TTS estándar o voz personalizada?

Los modelos de síntesis de voz convierten texto en habla de sonido natural. Comience por decidir si las voces integradas o las voces personalizadas se ajustan a sus necesidades:

	TTS estándar	Voz personalizada
Fuente de voz	Biblioteca de voces predefinidas: seleccione y use de inmediato	Clonar desde una muestra de audio o crear con una descripción de texto
Esfuerzo de configuración	Sin configuración adicional: elija un modelo y una voz para comenzar	Requiere una muestra de audio o una descripción de texto para crear una voz
Casos de uso	Bots de servicio al cliente, audiolibros, noticieros, transmisiones en vivo de comercio electrónico	Voces específicas de marca, presentadores virtuales, doblaje de personajes de juegos
Modelos recomendados	qwen-audio-3.1-tts-plus	qwen-audio-3.1-tts-plus (clonación de voz), cosyvoice-v3.5-plus (diseño de voz)

• Use TTS estándar cuando la biblioteca de voces predefinidas satisfaga sus necesidades y want una configuración rápida sin ajustes adicionales.
• Utilice una voz personalizada cuando necesite una voz específica de marca, want replicar la voz de una persona específica o necesite crear una voz de personaje completamente nueva.

¿Clonación de voz o diseño de voz?

Si elige una voz personalizada, hay dos métodos de creación disponibles:

	Clonación de voz	Diseño de voz
Entrada	Una muestra de audio del hablante objetivo	Una descripción de texto de la voz deseada (por ejemplo, "voz femenina cálida y grave")
Resultado	El habla sintetizada se asemeja mucho al hablante original	Una voz completamente nueva generada desde cero basada en la descripción
Casos de uso	Reutilización de voz de portavoz/presentador de marca, presentadores virtuales, asistentes de voz personalizados	Diseño de voz de marca (sin grabaciones disponibles), doblaje de personajes de juegos/animación, producción de contenido creativo
Modelos recomendados	qwen-audio-3.1-tts-plus, qwen-audio-3.0-tts-flash	cosyvoice-v3.5-plus, cosyvoice-v3.5-flash
Servicio de gestión de voces	voice-enrollment (registrar y gestionar voces)	voice-enrollment (registrar y gestionar voces)

• Use clonación de voz cuando tenga una grabación del hablante objetivo y want reproducir esa voz en el habla sintetizada.
• Use diseño de voz cuando no tenga una grabación y want crear una nueva voz a partir de una descripción de texto.

¿WebSocket o HTTP?

• WebSocket: Transmisión bidireccional — admite entrada y salida en streaming, entregando audio a medida que se sintetiza para minimizar la latencia. Ideal para bots de servicio al cliente, asistentes de voz y centros de llamadas.
• HTTP: Envíe texto completo y reciba audio en una respuesta de transmisión (salida fragmentada). Ideal para audiolibros, producción de contenido de audio y otros escenarios por lotes de alto volumen.

Los modelos Qwen-Audio-TTS/CosyVoice utilizan el mismo nombre de modelo tanto para el acceso mediante WebSocket como mediante HTTP. Para los modelos Qwen, el nombre del modelo indica la API: los modelos con el sufijo -realtime utilizan WebSocket, mientras que aquellos sin él utilizan HTTP.

Acceda a los modelos WebSocket Qwen-Audio-TTS/CosyVoice y Qwen a través del SDK de DashScope (Java, Python). Otros modelos requieren llamadas directas mediante WebSocket o HTTP.

Para acceso mediante WebSocket, consulte Síntesis de voz en tiempo real. Para acceso mediante HTTP, consulte Síntesis de voz no en tiempo real.

Los modelos de la serie CosyVoice también admiten el protocolo AOQ. Para integraciones del lado del cliente que priorizan una latencia estable, resiliencia en redes débiles y supresión de ruido y cancelación de eco dúplex completa integrada, se recomienda AOQ. Para una comparación de protocolos, consulte Descripción general de la API en tiempo real.

Control de instrucciones

Describa el estilo de expresión deseado en lenguaje natural para controlar la velocidad, la emoción y el estilo por solicitud. Los ejemplos incluyen "hablar suavemente a un ritmo más lento" o "utilizar un estilo de locución entusiasta". Utilice el control por instrucciones para la producción de contenido emocional, locución profesional, audiolibros y otros escenarios que requieran una gran expresividad.

Modelos que admiten control por instrucciones: serie Qwen-Audio-TTS (qwen-audio-3.0-tts-plus, qwen-audio-3.0-tts-flash), serie CosyVoice (cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-flash). Para más detalles, consulte Síntesis de voz en tiempo real > Control por instrucciones.

Modelos recomendados

La siguiente tabla enumera el mejor modelo para cada escenario. Para obtener todos los detalles, visite la Galería de modelos.

ID de modelo	Serie	API	Clonación de voz	Diseño de voz	Control por instrucciones
qwen-audio-3.1-tts-plus	Qwen-Audio-TTS	WebSocket / HTTP	Compatible	Compatible	Compatible
cosyvoice-v3.5-plus	CosyVoice	WebSocket	Compatible	Compatible	Compatible
cosyvoice-v3-plus	CosyVoice	WebSocket	Compatible	Compatible	No compatible

Todos los modelos

Qwen-Audio-TTS

Para conocer los métodos de conexión y las voces del sistema para qwen-audio-3.1-tts-flash, consulte Opciones de conexión del modelo y la lista de voces de Qwen-Audio-TTS.

ID de modelo	API	Clonación de voz	Diseño de voz	Control por instrucciones
qwen-audio-3.1-tts-plus	WebSocket / HTTP	Compatible	Compatible	Compatible
qwen-audio-3.0-tts-plus	WebSocket	Compatible	No compatible	Compatible
qwen-audio-3.0-tts-flash	WebSocket	Compatible	No compatible	Compatible

Idiomas admitidos:

• Voces del sistema (varía según la voz): chino (mandarín), inglés
• Voces clonadas (los dialectos se configuran mediante control por instrucciones): chino (mandarín, cantonés, Chongqing, noreste, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghainés, Sichuan, Yunnan), inglés, japonés, coreano, ruso, francés, alemán, portugués, tailandés, indonesio, vietnamita, español, italiano, malayo, filipino y árabe

CosyVoice

Algunos modelos CosyVoice admiten marcado SSML (Lenguaje de Marcado de Síntesis de Voz) y lectura de fórmulas LaTeX.

ID de modelo	API	Clonación de voz	Diseño de voz	Control por instrucciones
cosyvoice-v3.5-plus	WebSocket	Compatible	Compatible	Compatible
cosyvoice-v3.5-flash	WebSocket	Compatible	Compatible	Compatible
cosyvoice-v3-plus	WebSocket	Compatible	Compatible	No compatible
cosyvoice-v3-flash	WebSocket	Compatible	Compatible	Compatible
cosyvoice-v2	WebSocket	Compatible	No compatible	No compatible

Idiomas compatibles (por versión):

• cosyvoice-v3.5-plus y cosyvoice-v3.5-flash (sin voces del sistema):

  • Voces clonadas (los dialectos se configuran mediante control por instrucciones): chino (mandarín, cantonés, noreste, Gansu, Guizhou, Henan, Hubei, Jiangxi, hokkien, Ningxia, Shanxi, Shaanxi, Shandong, shanghainés, Sichuan, Tianjin, Yunnan), inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio y vietnamita
  • Voces diseñadas: chino (mandarín), inglés

• cosyvoice-v3-plus:

  • Voces del sistema (varía según la voz): chino (mandarín), inglés
  • Voces clonadas (los dialectos se configuran mediante control por instrucciones): chino (mandarín, cantonés, noreste, Gansu, Guizhou, Henan, Hubei, Jiangxi, hokkien, Ningxia, Shanxi, Shaanxi, Shandong, shanghainés, Sichuan, Tianjin, Yunnan), inglés, francés, alemán, japonés, coreano y ruso
  • Voces diseñadas: chino (mandarín), inglés

• cosyvoice-v3-flash:

  • Voces del sistema (varía según la voz; algunos dialectos son compatibles directamente con las voces del sistema, otros mediante control por instrucciones): chino (mandarín, cantonés, noreste, Henan, Hunan, Shaanxi, Shandong, Sichuan, Anhui, hokkien), inglés
  • Voces clonadas (los dialectos se configuran mediante control por instrucciones): chino (mandarín, cantonés, noreste, Gansu, Guizhou, Henan, Hubei, Jiangxi, hokkien, Ningxia, Shanxi, Shaanxi, Shandong, shanghainés, Sichuan, Tianjin, Yunnan), inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio y vietnamita
  • Voces diseñadas: chino (mandarín), inglés

• cosyvoice-v2 (diseño de voz no compatible):

  • Voces del sistema (varía según la voz): chino (mandarín, cantonés, nororiental, hokkien, shaanxi), inglés, japonés y coreano
  • Voces clonadas: chino (mandarín), inglés

Qwen3-TTS

ID de modelo	API	Clonación de voz	Diseño de voz	Control por instrucciones
qwen3-tts-flash	HTTP	No compatible	No compatible	No compatible
qwen3-tts-flash-realtime	WebSocket	No compatible	No compatible	No compatible

Idiomas compatibles (por versión):

• Serie Qwen3-TTS-Flash (voces del sistema) (qwen3-tts-flash, qwen3-tts-flash-realtime): chino (mandarín, pekinés, shanghainés, Sichuan, nanjing, Shaanxi, hokkien, Tianjin, cantonés — varía según la voz), inglés, alemán, italiano, portugués, español, japonés, coreano, francés y ruso