Choisissez le modèle adapté à la synthèse vocale, au clonage de voix et à la conception de voix.
Migration depuis des modèles propriétaires ?
Si vous utilisez actuellement ElevenLabs, OpenAI ou Google pour la synthèse vocale, consultez le tableau suivant pour identifier le modèle Model Studio équivalent.
| Cas d'usage | Modèle propriétaire | Équivalent Model Studio |
|---|---|---|
Voix intégrées / synthèse standard | OpenAI gpt-4o-tts, Google Chirp 3 | qwen-audio-3.1-tts-plus |
Voix personnalisée / clonage de voix | ElevenLabs Multilingual v3 |
|
TTS standard ou voix personnalisée ?
Les modèles de synthèse vocale convertissent le texte en parole naturelle. Déterminez d'abord si les voix intégrées ou personnalisées correspondent à vos besoins :
| TTS standard | Voix personnalisée | |
|---|---|---|
Source de la voix | Bibliothèque de voix prédéfinies — sélectionnez et utilisez immédiatement | Clonage à partir d'un échantillon audio ou création via une description textuelle |
Configuration requise | Aucune configuration supplémentaire — choisissez un modèle et une voix pour démarrer | Nécessite un échantillon audio ou une description textuelle pour créer une voix |
Cas d'usage | Agents de service client, livres audio, journaux télévisés, diffusions en direct e-commerce | Voix de marque, présentateurs virtuels, doublage de personnages de jeux vidéo |
Modèles recommandés | qwen-audio-3.1-tts-plus |
|
- Optez pour le TTS standard si la bibliothèque de voix prédéfinies répond à vos besoins et que vous souhaitez une mise en œuvre rapide sans configuration supplémentaire.
- Privilégiez une voix personnalisée pour obtenir une voix propre à votre marque, reproduire celle d'une personne spécifique ou créer une voix de personnage entièrement nouvelle.
Clonage de voix ou conception de voix ?
Pour les voix personnalisées, deux méthodes de création sont disponibles :
| Clonage de voix | Conception de voix | |
|---|---|---|
Entrée | Échantillon audio du locuteur cible | Description textuelle de la voix souhaitée (ex. : « voix féminine grave et chaleureuse ») |
Résultat | Parole synthétisée ressemblant étroitement au locuteur original | Nouvelle voix générée intégralement à partir de la description |
Cas d'usage | Réutilisation de voix de porte-parole ou de présentateur, présentateurs virtuels, assistants vocaux personnalisés | Création de voix de marque (sans enregistrement), doublage de personnages de jeux ou d'animations, production de contenu créatif |
Modèles recommandés |
|
|
Service de gestion des voix |
|
|
- Utilisez le clonage de voix si vous disposez d'un enregistrement du locuteur cible et souhaitez reproduire cette voix par synthèse vocale.
- Recourez à la conception de voix en l'absence d'enregistrement pour créer une nouvelle voix à partir d'une description textuelle.
WebSocket ou HTTP ?
- WebSocket : streaming bidirectionnel prenant en charge les flux d'entrée et de sortie. L'audio est fourni au fur et à mesure de sa synthèse pour minimiser la latence. Idéal pour les agents de service client, les assistants vocaux et les centres d'appels.
- HTTP : envoi du texte complet et réception de l'audio dans une réponse en streaming (sortie fragmentée). Adapté aux livres audio, à la production de contenu audio et aux traitements par lots volumineux.
Les modèles Qwen-Audio-TTS/CosyVoice utilisent le même nom pour les accès WebSocket et HTTP. Pour les modèles Qwen, le nom indique l'API : les modèles avec le suffixe -realtime utilisent WebSocket, tandis que les autres utilisent HTTP.
Accédez aux modèles Qwen-Audio-TTS/CosyVoice et Qwen WebSocket via le SDK DashScope (Java, Python). Les autres modèles nécessitent des appels directs WebSocket ou HTTP.
Pour un accès WebSocket, reportez-vous à Synthèse vocale en temps réel. Pour un accès HTTP, consultez Synthèse vocale hors temps réel.
Les modèles de la série CosyVoice prennent également en charge le protocole AOQ. Ce protocole est recommandé pour les intégrations côté client nécessitant une latence stable, une résilience sur les réseaux faibles, ainsi qu'une suppression du bruit et une annulation de l'écho full-duplex intégrées. Pour comparer les protocoles, voir Présentation de l'API temps réel.
Contrôle par instructions
Décrivez le style d'expression souhaité en langage naturel pour ajuster la vitesse, l'émotion et le style de chaque requête. Vous pouvez par exemple indiquer « parler doucement à un rythme plus lent » ou « utiliser un style de diffusion enthousiaste ». Le contrôle par instructions convient particulièrement à la production de contenu émotionnel, à la diffusion professionnelle, aux livres audio et à tout scénario exigeant une forte expressivité.
Modèles compatibles avec le contrôle par instructions : Série Qwen-Audio-TTS (qwen-audio-3.0-tts-plus, qwen-audio-3.0-tts-flash), Série CosyVoice (cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-flash) et Séri. Pour plus de détails, voir Synthèse vocale en temps réel > Contrôle par instructions.
Modèles recommandés
Le tableau suivant présente le modèle le plus adapté à chaque scénario. Pour tous les détails, visitez la galerie de modèles.
| ID du modèle | Série | API | Clonage de voix | Conception de voix | Contrôle par instructions |
|---|---|---|---|---|---|
qwen-audio-3.1-tts-plus | Qwen-Audio-TTS | WebSocket / HTTP | Supported | Pris en charge | Supported |
cosyvoice-v3.5-plus | CosyVoice | WebSocket | Supported | Supported | Supported |
cosyvoice-v3-plus | CosyVoice | WebSocket | Supported | Supported | Unsupported |
Tous les modèles
Qwen-Audio-TTS
Pour les méthodes de connexion et les voix système de qwen-audio-3.1-tts-flash, consultez Options de connexion du modèle et Liste des voix Qwen-Audio-TTS.
| ID du modèle | API | Clonage de voix | Conception de voix | Contrôle par instructions |
|---|---|---|---|---|
| WebSocket / HTTP | Pris en charge | Pris en charge | Pris en charge |
qwen-audio-3.0-tts-plus | WebSocket | Supported | Unsupported | Supported |
qwen-audio-3.0-tts-flash | WebSocket | Supported | Unsupported | Supported |
Langues prises en charge :
- Voix système (variable selon la voix) : chinois (mandarin), anglais
- Voix clonées (dialectes configurables via le contrôle par instructions) : chinois (mandarin, cantonais, Chongqing, Nord-Est, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghaïen, Sichuan, Yunnan), anglais, japonais, coréen, russe, français, allemand, portugais, thaï, indonésien, vietnamien, espagnol, italien, malais, philippin et arabe
CosyVoice
Certains modèles CosyVoice prennent en charge le balisage SSML (Speech Synthesis Markup Language) et la lecture de formules LaTeX.
ID du modèle | API | Clonage de voix | Conception de voix | Contrôle par instructions |
|---|---|---|---|---|
| WebSocket | Supported | Supported | Supported |
| WebSocket | Supported | Supported | Supported |
| WebSocket | Supported | Supported | Unsupported |
| WebSocket | Supported | Supported | Supported |
| WebSocket | Supported | Unsupported | Unsupported |
Langues prises en charge (par version) :
-
cosyvoice-v3.5-plus et cosyvoice-v3.5-flash (aucune voix système) :
- Voix clonées (dialectes configurables via le contrôle par instructions) : chinois (mandarin, cantonais, Nord-Est, Gansu, Guizhou, Henan, Hubei, Jiangxi, Hokkien, Ningxia, Shanxi, Shaanxi, Shandong, shanghaïen, Sichuan, Tianjin, Yunnan), anglais, français, allemand, japonais, coréen, russe, portugais, thaï, indonésien et vietnamien
- Voix conçues : chinois (mandarin), anglais
-
cosyvoice-v3-plus :
- Voix système (variable selon la voix) : chinois (mandarin), anglais
- Voix clonées (dialectes configurables via le contrôle par instructions) : chinois (mandarin, cantonais, Nord-Est, Gansu, Guizhou, Henan, Hubei, Jiangxi, Hokkien, Ningxia, Shanxi, Shaanxi, Shandong, shanghaïen, Sichuan, Tianjin, Yunnan), anglais, français, allemand, japonais, coréen et russe
- Voix conçues : chinois (mandarin), anglais
-
cosyvoice-v3-flash :
- Voix système (variable selon la voix ; certains dialectes sont pris en charge nativement, d'autres via le contrôle par instructions) : chinois (mandarin, cantonais, Nord-Est, Henan, Hunan, Shaanxi, Shandong, Sichuan, Anhui, Hokkien), anglais
- Voix clonées (dialectes configurables via le contrôle par instructions) : chinois (mandarin, cantonais, Nord-Est, Gansu, Guizhou, Henan, Hubei, Jiangxi, Hokkien, Ningxia, Shanxi, Shaanxi, Shandong, shanghaïen, Sichuan, Tianjin, Yunnan), anglais, français, allemand, japonais, coréen, russe, portugais, thaï, indonésien et vietnamien
- Voix conçues : chinois (mandarin), anglais
-
cosyvoice-v2 (conception de voix non prise en charge) :
- Voix système (variable selon la voix) : chinois (mandarin, cantonais, Nord-Est, Hokkien, Shaanxi), anglais, japonais et coréen
- Voix clonées : chinois (mandarin), anglais
Qwen3-TTS
ID du modèle | API | Clonage de voix | Conception de voix | Contrôle par instructions |
|---|---|---|---|---|
| HTTP | Unsupported | Unsupported | Unsupported |
| WebSocket | Unsupported | Unsupported | Unsupported |
Langues prises en charge (par version) :
- Série Qwen3-TTS-Flash (voix système) (
qwen3-tts-flash,qwen3-tts-flash-realtime) : chinois (mandarin, pékinois, shanghaïen, Sichuan, nankinois, Shaanxi, Hokkien, Tianjin, cantonais — variable selon la voix), anglais, allemand, italien, portugais, espagnol, japonais, coréen, français et russe