全部產品
Search
文件中心

Alibaba Cloud Model Studio:非即時語音合成

更新時間:Nov 14, 2026

透過 HTTP 將完整文字轉換為語音,了解模型特性、快速呼叫方法和合成效果最佳化方式。

功能介紹

非即時語音合成透過 HTTP 一次提交完整文字,支援非串流和 SSE 串流輸出。非串流在合成完成後傳回完整音訊,串流逐段傳回音訊資料。

  • 多語言與方言:根據目標語言選擇模型和音色,也可透過指令指定方言。參見方言。
  • 表現力控制:透過自然語言指令調整語速、情感等表達,或在文字中插入情感與副語言標籤。參見指令控制和情感與副語言標籤。
  • 自訂音色:透過音色複刻從音訊樣本建立音色,或透過音色設計使用文字描述建立音色。
  • 精細控制與公式朗讀:使用 SSML 與 LaTeX控制停頓、發音等效果,或將公式轉換為語音。

說明

  • 各模型及音色支援的能力有所不同,使用前請核對對應功能的支援範圍。
  • 需要分批輸入文字時,請使用即時語音合成。

開始使用

在主控台取得 API Key,並將其設定為環境變數 DASHSCOPE_API_KEY。

安裝範例相依套件:

pip install requests

Qwen-Audio-TTS(推薦)

以下使用新加坡地區的 qwen-audio-3.1-tts-flash 和系統音色 longanhuan_v3.1,示範非串流和串流輸出。

非串流輸出

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}"},
    json={
        "model": "qwen-audio-3.1-tts-flash",
        "input": {
            "text": "你好,欢迎使用阿里云百炼。",
            "voice": "longanhuan_v3.1",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    timeout=60,
)
response.raise_for_status()
audio_url = response.json()["output"]["audio"]["url"]
audio_response = requests.get(audio_url, timeout=60)
audio_response.raise_for_status()
with open("output.wav", "wb") as f:
    f.write(audio_response.content)

執行後,音訊儲存在目前目錄的 output.wav 檔案中。

串流輸出

以下範例逐行列印 SSE 傳回事件。事件中的 output.audio.data 為 Base64 編碼的音訊片段。

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}", "X-DashScope-SSE": "enable"},
    json={
        "model": "qwen-audio-3.1-tts-flash",
        "input": {
            "text": "你好,欢迎使用阿里云百炼。",
            "voice": "longanhuan_v3.1",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    stream=True,
    timeout=60,
)
response.raise_for_status()
for line in response.iter_lines():
    print(line.decode("utf-8"))
response.close()

CosyVoice

以下使用北京地區的 cosyvoice-v3-flash 和系統音色 longanyang,示範非串流和串流輸出。

非串流輸出

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}"},
    json={
        "model": "cosyvoice-v3-flash",
        "input": {
            "text": "你好,欢迎使用阿里云百炼。",
            "voice": "longanyang",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    timeout=60,
)
response.raise_for_status()
audio_url = response.json()["output"]["audio"]["url"]
audio_response = requests.get(audio_url, timeout=60)
audio_response.raise_for_status()
with open("output.wav", "wb") as f:
    f.write(audio_response.content)

執行後,音訊儲存在目前目錄的 output.wav 檔案中。

串流輸出

以下範例逐行列印 SSE 傳回事件。事件中的 output.audio.data 為 Base64 編碼的音訊片段。

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}", "X-DashScope-SSE": "enable"},
    json={
        "model": "cosyvoice-v3-flash",
        "input": {
            "text": "你好,欢迎使用阿里云百炼。",
            "voice": "longanyang",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    stream=True,
    timeout=60,
)
response.raise_for_status()
for line in response.iter_lines():
    print(line.decode("utf-8"))
response.close()

合成效果最佳化

語言與發音

數字、縮寫或符號的讀法不符合預期時,可透過 language_hints 指定合成目標語言,或透過 hot_fix 定義詞語發音與文字替換。參數適用模型和設定方法請參見對應的 Qwen-Audio-TTS API或 CosyVoice API。

需要控制停頓、數字讀法或字詞發音時,可使用 SSML。Qwen-Audio-TTS 和 CosyVoice 的適用模型、音色、介面與標籤用法,請參見 SSML 與 LaTeX。

指令控制

在請求的 input 中新增 instruction,用自然語言說明要合成的語種,描述語速、情感或說話方式,控制合成語音的表現。

說明如需建立具有特定性別、年齡或音色特質的新音色,或參考聲音描述的撰寫建議與範例,請參見音色設計。

Qwen-Audio-TTS

qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash 的系統音色、複製音色和設計音色均支援在合成請求中透過 instruction 設定自然語言指令。

建議在 instruction 中說明合成語種和所需效果,以提升合成品質。指令中指定的語種須與待合成文字的語種一致。例如,合成荷蘭語文字時,可設定:

{"instruction": "请用荷兰话说,每个字都慢慢说"}

CosyVoice

說明CosyVoice 的 instruction 長度不得超過 100 個字元。計數時,漢字(包括簡體、繁體漢字、日文漢字和韓文漢字)按 2 個字元計算,其他字元(包括標點符號、字母、數字、假名和諺文)按 1 個字元計算。

模型可使用的音色指令要求指令文字語言

cosyvoice-v3.5-plus、cosyvoice-v3.5-flash

複製音色、設計音色

無系統音色。

自然語言指令。

中文、英文、法文、德文、日文、韓文、俄文、葡萄牙文、泰文、印尼文、越南文。

cosyvoice-v3-plus

系統音色

按音色清單中的固定格式和內容填寫。

複製音色、設計音色不支援指令控制。

依音色清單指定的語言填寫。

cosyvoice-v3-flash

系統音色

按音色清單中的固定格式和內容填寫。

中文。

複製音色、設計音色

自然語言指令。

中文、英文、法文、德文、日文、韓文、俄文。

方言

透過方言功能,可將文字合成為河南話、四川話等中文方言語音。方言的選擇方式取決於模型和音色類型。

Qwen-Audio-TTS

  • 系統音色:從 Qwen-Audio-TTS 音色清單中選擇支援目標方言的音色。直接支援該方言的音色無需額外設定;支援方言指令的音色使用指令控制參數 instruction 指定。
  • 複製音色:透過指令控制參數 instruction 指定方言。
  • 設計音色:暫不支援方言。

對於支援方言指令的音色,在請求的 input 中設定 instruction="请讲上海话。",可將中文文字合成為上海話。

CosyVoice

  • 系統音色:選擇直接支援目標方言的音色,例如 longshange_v3;或選擇支援方言指令的音色,例如 longanhuan_v3,依音色清單的格式填寫指令。
  • 複製音色:使用支援指令控制的模型,透過 instruction 指定方言。
  • 設計音色:暫不支援方言。

說明cosyvoice-v3-plus 的複製音色不支援透過指令指定方言。

使用 CosyVoice 的開始使用範例時,將 input 替換為以下內容,可使用 longanhuan_v3 輸出河南話:

{
  "text": "叫你去买盐,你买回来一袋面,这不是弄啥嘞吗!",
  "voice": "longanhuan_v3",
  "format": "wav",
  "sample_rate": 24000,
  "instruction": "请用河南话表达。"
}

Qwen3-TTS 使用支援目標方言的系統音色,參見 Qwen3-TTS 音色清單。

情感與副語言標籤

說明適用於 qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus 和 qwen-audio-3.0-tts-flash。

情感與富語言標籤可控制語音的情感和風格,並在指定位置加入笑聲、嘆息等擬聲效果。將標籤直接寫入待合成文字 text,無需額外參數。

使用範例

以下文字先使用興奮語氣,在指定位置插入笑聲後繼續合成正文:

[excited]今天的天气真不错![laughing]我们一起出去玩吧!

以下文字在第二句切換為興奮語氣:

[serious]请注意安全事项。[excited]好了,现在让我们开始吧!

支援標籤

控制類標籤

控制類標籤設定後續文字的情感或風格,直到出現下一個控制類標籤;長句被自動切分時,作用範圍以切分後的文字為界。

標籤說明

[sad]

悲傷

[amazed]

驚嘆

[deep and loud shouting]

深沉大聲吶喊

[trembling]

顫抖

[angry]

憤怒

[excited]

興奮

[sarcastic]

諷刺

[curious]

好奇

[like dracula]

吸血鬼語氣

[bored]

無聊

[tired]

疲倦

[scornful]

輕蔑

[shouting]

大喊

[asmr]

ASMR 輕聲

[panicked]

驚慌

[mischievously]

調皮

[empathetic]

共情

[whispers]

低聲耳語

[reluctantly]

不情願

[crying]

哭泣

[serious]

嚴肅

[very slowly]

非常緩慢

[very fast]

非常快速

副語言標籤

副語言標籤在目前位置插入擬聲效果,不改變前後文字的情感風格。

標籤說明

[gasp]

倒吸氣

[sighing]

嘆息

[clears throat]

清嗓

[giggles]

咯咯笑

[laughing]

大笑

[cough]

咳嗽

[snorts]

哼聲、嗤笑

應用於生產環境

音訊下載與儲存、格式與播放器相容性、並行管理和問題排查,請參見語音合成最佳實務。請求頻率和並行數應遵循對應模型的限流。

支援模型

新加坡

  • Qwen-Audio-TTS:qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash
  • Qwen3-TTS:qwen3-tts-flash

華北 2(北京)

  • Qwen-Audio-TTS:qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash
  • CosyVoice:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2
  • Qwen3-TTS:qwen3-tts-flash

系統音色與試聽分別參見 Qwen-Audio-TTS、CosyVoice和 Qwen3-TTS 音色清單。使用複製或設計音色時,合成模型須與建立音色時指定的目標模型一致。

API 參考