全部產品
Search
文件中心

Alibaba Cloud Model Studio:Qwen-Audio-TTS HTTP API

更新時間:Oct 29, 2026

Qwen-Audio-TTS 的 HTTP 非即時語音合成介面,包含非串流和 SSE 串流呼叫、請求參數及回應欄位。

介面位址

將 YOUR_WORKSPACE_ID 替換為對應地區的業務空間 ID,並使用同地區的 API Key。

新加坡

POST https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

華北 2(北京)

POST https://YOUR_WORKSPACE_ID.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

請求標頭

參數類型必選說明

Authorization

string

必選

驗證權杖,格式為 Bearer <your_api_key>。

Content-Type

string

必選

固定為 application/json。

X-DashScope-SSE

string

可選

串流輸出時設定為 enable;未設定時傳回完整結果。

呼叫範例

非串流

curl -X POST "https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "qwen-audio-3.1-tts-flash",
  "input": {
    "text": "你好,今天的天气真不错。",
    "voice": "longanhuan_v3.1",
    "format": "wav",
    "sample_rate": 24000
  }
}'

串流

curl --no-buffer -X POST "https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -H "X-DashScope-SSE: enable" \
  -d '{
  "model": "qwen-audio-3.1-tts-flash",
  "input": {
    "text": "你好,今天的天气真不错。",
    "voice": "longanhuan_v3.1",
    "format": "wav",
    "sample_rate": 24000
  }
}'

說明SSE 事件可能包含多行 data:。合併同一事件的所有 data: 行後解析 JSON;將音訊區塊按事件順序 Base64 解碼並串接。結束幀的 output.finish_reason 為 stop,並傳回完整音訊 URL。

請求主體

參數類型必選預設值說明

model

string

必選

—

語音合成模型 ID。支援模型與地區請參見非即時語音合成。

input

object

必選

—

輸入參數物件。

input.text

string

必選

—

待合成文字。使用 SSML 時同時設定 enable_ssml=true;LaTeX 輸入無需額外設定。支援範圍、標籤和語法請參見 SSML 與 LaTeX。

input.voice

string

必選

—

音色 ID。系統音色參見音色清單;自訂音色透過聲音複製或聲音設計建立,並使用綁定的目標模型合成。

input.format

string

可選

mp3

音訊編碼格式。可選 mp3、pcm、wav、opus。

input.sample_rate

integer

可選

22050

音訊取樣率(Hz)。可選 8000、12000、16000、22050、24000、44100、48000。format=opus 時僅支援 8000、12000、16000、24000、48000。

input.volume

integer

可選

50

音量,取值範圍 [0, 100]。

input.rate

float

可選

1.0

語速,取值範圍 [0.5, 2.0]。

input.bit_rate

integer

可選

32

音訊位元率(kbps),取值範圍 [6, 510];僅在 format=opus 時生效。

input.pitch

float

可選

1.0

音調,取值範圍 [0.5, 2.0]。

input.enable_ssml

boolean

可選

—

是否啟用 SSML。模型、音色和介面限制請參見使用限制。

input.word_timestamp_enabled

boolean

可選

false

是否傳回字級時間戳記,僅用於串流輸出。支援複製音色;支援的系統音色參見音色清單。

input.seed

integer

可選

0

隨機種子,取值範圍 [0, 65535]。模型版本、文字、音色和其他參數相同時,使用相同 seed 可重現相同合成結果。

input.language_hints

array[string]

可選

—

合成目標語言,目前僅處理陣列的第一個元素。此參數與複製樣本的來源語言無關。數字、縮寫、符號或小語種發音不符合預期時可設定,語言代碼見下方清單。複製來源語言參見聲音複製 API。

input.instruction

string

可選

—

控制方言、情感或角色等合成效果的指令。適用模型、音色與寫法參見指令控制。

input.enable_aigc_tag

boolean

可選

false

是否在 WAV、MP3、Opus 音訊中嵌入 AIGC 隱性標識。

input.aigc_propagator

string

可選

阿里雲 UID

隱性標識的 ContentPropagator 欄位,用於標識傳播者;僅在 enable_aigc_tag=true 時生效。

input.aigc_propagate_id

string

可選

本次請求的 Request ID

隱性標識的 PropagateID 欄位,用於標識本次傳播行為;僅在 enable_aigc_tag=true 時生效。

input.hot_fix

object

可選

—

文字熱修復。pronunciation 自訂指定詞語的發音,replace 在合成前替換指定文字。

語言代碼

  • zh:中文

  • en:英語

  • fr:法語

  • de:德語

  • ja:日語

  • ko:韓語

  • ru:俄語

  • pt:葡萄牙語

  • th:泰語

  • id:印尼語

  • vi:越南語

  • es:西班牙語

  • it:義大利語

  • ms:馬來語

  • fil:菲律賓語

  • ar:阿拉伯語

  • other:其他語種(適用於 qwen-audio-3.1-tts-flash)

    保加利亞語、荷蘭語、匈牙利語、羅馬尼亞語、丹麥語、克羅埃西亞語、希臘語、捷克語、挪威語、瑞典語、印地語、斯洛伐克語、芬蘭語、烏都語、塞爾維亞語、西班牙語(墨西哥)、立陶宛語、拉脫維亞語、土耳其語、波斯語、希伯來語、蒙古語、斯洛維尼亞語、亞塞拜然語、波蘭語、加泰蘭語、高棉語、葡萄牙語(巴西)、寮語、喬治亞語、南非荷蘭語、尼泊爾語、白俄羅斯語、馬來亞拉姆語、盧森堡語、阿爾巴尼亞語、坦米爾語、僧伽羅語、泰盧固語、愛沙尼亞語、宿霧語、波士尼亞語、緬甸語、亞美尼亞語、拉丁語、冰島語、馬爾他語、史瓦希里語、哈薩克語、塞席爾克里奧爾法語、烏克蘭語。

文字熱修復設定範例:

{
  "hot_fix": {
    "pronunciation": [
      {
        "天气": "tian1 qi4"
      }
    ],
    "replace": [
      {
        "今天": "金天"
      }
    ]
  }
}

回應主體

參數類型說明

request_id

string

本次請求的唯一識別碼。

output

object

模型輸出物件。

output.finish_reason

string

任務停止原因。null 表示合成中,stop 表示合成結束。

output.type

string

僅串流輸出傳回。sentence-begin 表示句子開始;sentence-synthesis 表示音訊區塊,同一句可包含多個區塊;sentence-end 表示句子結束並傳回用量資訊。音訊區塊與資料幀一一對應,按順序附加至同一檔案。

output.original_text

string

使用者輸入文字切分後的句子內容;最後一句可能沒有此欄位。

output.sentence

object

句子資訊。

output.sentence.index

integer

句子編號,從 0 開始。

output.sentence.words

array

句子中的字及其時間戳記資訊。

output.sentence.words[].text

string

字。

output.sentence.words[].begin_index

integer

字在句子中的開始位置,從 0 開始。

output.sentence.words[].end_index

integer

字在句子中的結束位置,從 1 開始。

output.sentence.words[].begin_time

integer

字對應音訊的開始時間戳記(毫秒)。

output.sentence.words[].end_time

integer

字對應音訊的結束時間戳記(毫秒)。

output.audio

object

合成音訊物件。

output.audio.data

string

串流輸出的 Base64 音訊區塊;非串流輸出時為空。

output.audio.url

string

完整音訊檔案的 URL,有效期 24 小時。

output.audio.id

string

合成音訊的識別碼。

output.audio.expires_at

integer

url 的到期時間戳記。

usage

object

用量資訊。

說明qwen-audio-3.1-tts-flash 按輸入和輸出 Token 計費;qwen-audio-3.1-tts-plus、qwen-audio-3.0-tts-plus 和 qwen-audio-3.0-tts-flash 按字元計費。

usage.input_tokens

integer

輸入 Token 數,僅適用於 qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash。

usage.output_tokens

integer

輸出 Token 數,僅適用於 qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash。

usage.total_tokens

integer

輸入與輸出 Token 數之和,僅適用於 qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash。

usage.characters

integer

累計計費字元數。

非串流

{
  "output": {
    "audio": {
      "data": "",
      "id": "audio_xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
      "expires_at": 1792079569,
      "url": "https://example.com/output.wav"
    },
    "finish_reason": "stop"
  },
  "usage": {
    "input_tokens": 12,
    "output_tokens": 30,
    "total_tokens": 42,
    "characters": 22
  },
  "request_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"
}

串流

中間結果:

{
  "request_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
  "output": {
    "finish_reason": null,
    "type": "sentence-begin",
    "original_text": "你好,今天的天气真不错。",
    "sentence": {
      "index": 0,
      "words": []
    },
    "audio": {
      "data": "",
      "id": "audio_xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
      "expires_at": 1792079569
    }
  }
}

最終結果:

{
  "output": {
    "audio": {
      "data": "",
      "id": "audio_xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
      "expires_at": 1792079569,
      "url": "https://example.com/output.wav"
    },
    "finish_reason": "stop"
  },
  "usage": {
    "input_tokens": 12,
    "output_tokens": 30,
    "total_tokens": 42,
    "characters": 22
  },
  "request_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"
}