Alibaba Cloud Model Studio：Qwen-TTS-Realtime WebSocket API 參考

服務端點

WebSocket URL 固定如下，通過查詢參數 model 指定要調用的模型名稱：

要求標頭

要求標頭中需添加如下資訊：

互動流程

用戶端事件和服務端事件的詳細說明，請參見用戶端事件和服務端事件。

支援兩種使用模式：

• ServerCommit 模式：服務端智能判斷文本分段與合成時機，開發人員無需關心內部狀態切分。

• Commit 模式：用戶端控制每一段文本的提交時間，需顯式調用 input_text_buffer.commit 觸發合成。

模式說明：

• ServerCommit 模式下調用 input_text_buffer.append 多次，系統根據內部規則判斷合成起點。

• 若在 ServerCommit 模式中主動調用 input_text_buffer.commit，表示立即合成當前緩衝內容，後續仍維持 ServerCommit 模式。

• Commit 模式下僅調用 input_text_buffer.append 不會觸發合成，需明確調用 input_text_buffer.commit。

關鍵流程說明：

1. 串連階段：用戶端發起 WebSocket 串連，服務端返回 session.created，表示會話已初始化。

2. 配置會話：用戶端發送 session.update 事件設定音色、格式、模式等參數。

3. 文本輸入階段：用戶端通過多次發送 input_text_buffer.append 添加文本到緩衝區。

4. 觸發合成階段：

   • ServerCommit 模式中系統自動判斷合成時機，或用戶端手動調用 input_text_buffer.commit 強制觸發。

   • Commit 模式中僅 input_text_buffer.commit 操作才會真正觸發語音合成流程。

5. 音頻產生階段：服務端發出 response.created 表示任務已啟動，隨後分區返迴音頻 response.audio.delta（base64 編碼），直到 response.audio.done。

6. 會話結束階段：用戶端顯式調用 session.finish 通知服務端清理狀態，服務端返回 session.finished 後關閉串連。

串連建立後，服務端返回如下 session.created 事件：

{
    "event_id": "event_xxx",
    "type": "session.created",
    "session": {
        "object": "realtime.session",
        "mode": "server_commit",
        "model": "qwen3-tts-flash-realtime",
        "voice": "Cherry",
        "response_format": "pcm",
        "sample_rate": 24000,
        "id": "sess_xxx"
    }
}