全部產品
Search
文件中心

Alibaba Cloud Model Studio:語音合成概述

更新時間:Nov 14, 2026

百煉語音合成可將文字轉換為語音,支援系統音色,也可透過音色複刻、音色設計建立自訂音色,並可控制語速、情感、發音等合成效果。

模型選型

即時互動、內容製作和精細朗讀控制對模型能力的要求不同,可根據以下需求選擇模型。

使用需求推薦模型選擇說明

語音助理、即時對話、智慧客服

qwen-audio-3.1-tts-flash

面向低延遲互動情境,支援系統音色、音色複刻、音色設計、自然語言指令及情感與富語言標籤。

有聲書、影視配音、品牌聲音與內容製作

qwen-audio-3.1-tts-plus

側重音質、自然度和細節表現,支援系統音色、音色複刻、音色設計及豐富的表達控制。

各系列的模型 ID 參見支援模型。

音色選擇

前往音色試聽廣場試聽音色。各模型可用的系統音色、voice 參數和試聽音訊參見下表中的音色列表。

音色來源需要準備適用情境使用入口

系統音色

無需音訊樣本或音色描述,選擇現有音色即可。

智慧客服、有聲閱讀、內容播報等現有音色能夠滿足的情境。

複刻音色

提供目標說話者的音訊樣本。

重用品牌代言人、主播等現有聲音,建立個人化語音助理或虛擬主播。

音色複刻

設計音色

用文字描述期望的聲音,例如「溫暖的低音女聲」。

沒有錄音素材,需要為品牌、遊戲或動畫角色建立新音色。

音色設計

音色設計用於建立可重複使用的音色。如果只需在單次合成中調整語速、情感或說話方式,可使用指令控制。

合成方式

合成方式的區別在於一次輸入完整文字還是分段持續輸入,以及一次取得完整音訊還是邊合成邊取得音訊。串流輸出音訊與串流輸入文字是兩種不同的能力。

合成方式文字輸入音訊輸出適用情境

非串流

一次傳送完整文字。

合成完成後取得完整音訊。

無需邊合成邊播放的內容製作。

單向串流

一次傳送完整文字。

邊合成邊分段傳回音訊。

文字已準備好,希望盡早開始播放。

雙向串流

持續傳送文字片段。

邊合成邊分段傳回音訊。

對接大模型等文字持續產生的即時互動。

  • 非即時合成:一次提交完整文字,可選擇非串流或串流取得音訊,參見非即時語音合成。

  • 即時合成:分段或持續提交文字,也可一次提交完整文字,參見即時語音合成。對於行動裝置等即時互動應用,可依 Realtime API 概述選擇可用的接入協定。其中,AOQ(AI over QUIC)針對低延遲和弱網傳輸進行最佳化,並內建回音消除與降噪能力。

合成效果控制

除了選擇音色,還可以透過參數、指令或標籤調整合成效果。

希望調整的效果控制方式

語速、音調、音量

設定模型提供的對應合成參數。

情感、風格、說話方式

使用自然語言指令,例如「用溫柔的語氣,語速稍慢」。

局部情感及笑聲、呼吸等表達

在待合成文字中加入情感與富語言標籤。

發音、停頓、數字讀法等

使用 SSML 標籤精細控制朗讀。

數學公式朗讀

使用 LaTeX 表達公式。

依合成方式查看參數、支援條件和範例:

應用於生產環境

文字提交、音訊接收與播放、連線與並行資源管理,以及效能評估和問題診斷,請參見語音合成最佳實務。

支援模型

選擇呼叫地區,查看各系列的模型 ID。

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
  • CosyVoice:cosyvoice-v3-plus、cosyvoice-v3-flash
  • Qwen3-TTS:qwen3-tts-flash-realtime、qwen3-tts-flash

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-realtime、qwen3-tts-flash

語言與方言支援

依需要合成的語言或方言選擇音色。下表依模型系列和音色類型列出支援範圍。

Qwen-Audio-TTS

音色類型合成輸出語言與方言

系統音色

支援中文、英語等語言,具體範圍因模型和音色而異,參見Qwen-Audio-TTS 音色列表。

複刻音色

中文(普通話、廣東話、重慶話、東北話、甘肅話、貴州話、浙江話、河北話、河南話、湖北話、湖南話、江西話、寧波話、寧夏話、青島話、陝西話、山西話、山東話、上海話、四川話、雲南話)、英語、日語、韓語、俄語、法語、德語、葡萄牙語、泰語、印尼語、越南語、西班牙語、意大利語、馬來西亞語、菲律賓語、阿拉伯語 (方言通過指令控制功能進行設定)

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。

設計音色

中文(普通話)、英文

CosyVoice

音色類型合成輸出語言與方言

系統音色

  • cosyvoice-v3.5-plus / cosyvoice-v3.5-flash: 不支援
  • cosyvoice-v3-plus(因音色而異): 中文(普通話)、英文
  • cosyvoice-v3-flash(因音色而異,部分方言由系統音色直接支援,部分通過指令控制功能設定): 中文(普通話、廣東話、東北話、河南話、湖南話、陝西話、山東話、四川話、安徽話、閩南話)、英文
  • cosyvoice-v2(因音色而異): 中文(普通話、粵語、東北話、閩南話、陝西話)、英文、日語、韓語

說明系統音色的具體語言、方言和試聽參見CosyVoice 音色列表。

複刻音色

  • cosyvoice-v3.5-plus / cosyvoice-v3.5-flash(方言通過指令控制功能進行設定): 中文(普通話、廣東話、東北話、甘肅話、貴州話、河南話、湖北話、江西話、閩南話、寧夏話、山西話、陝西話、山東話、上海話、四川話、天津話、雲南話)、英文、法語、德語、日語、韓語、俄語、葡萄牙語、泰語、印尼語、越南語
  • cosyvoice-v3-plus: 中文(普通話、廣東話、東北話、甘肅話、貴州話、河南話、湖北話、江西話、閩南話、寧夏話、山西話、陝西話、山東話、上海話、四川話、天津話、雲南話)、英文、法語、德語、日語、韓語、俄語
  • cosyvoice-v3-flash(方言通過指令控制功能進行設定): 中文(普通話、廣東話、東北話、甘肅話、貴州話、河南話、湖北話、江西話、閩南話、寧夏話、山西話、陝西話、山東話、上海話、四川話、天津話、雲南話)、英文、法語、德語、日語、韓語、俄語、葡萄牙語、泰語、印尼語、越南語
  • cosyvoice-v2: 中文(普通話)、英文

設計音色

  • cosyvoice-v3.5-plus / cosyvoice-v3.5-flash: 中文(普通話)、英文
  • cosyvoice-v3-plus: 中文(普通話)、英文
  • cosyvoice-v3-flash: 中文(普通話)、英文
  • cosyvoice-v2: 不支援

Qwen3-TTS

音色類型合成輸出語言與方言

系統音色

中文(普通話、北京話、上海話、四川話、南京話、陝西話、閩南話、天津話、粵語,因音色而異)、英文、德語、意大利語、葡萄牙語、西班牙語、日語、韓語、法語、俄語

說明系統音色的具體語言、方言和試聽參見Qwen-TTS 音色列表。

複刻音色

不支援

設計音色

不支援