qwen-audio-3.1-tts-next 是一款面向统一音频生成的 Audiogen 模型，不再局限于传统 TTS 的单一语音合成，而是能够围绕文本、时间戳和参考音频等输入，一次生成完整的音频内容，包括人声、音效、环境音等。模型支持多语种 TTS、单人说话、多人对话、Podcast 播客、影视剧声景、环境音与音效等任务。其核心亮点在于更自然的人声表达、稳定的音色保持、灵活的时间控制，以及高质量综合声景生成能力，适用于内容创作、短视频、播客、影视和游戏音频制作等场景。
推理服务供应商
本模型的推理服务由阿里云百炼提供。
模型能力
| 能力项 | 支持情况 | 能力项 | 支持情况 |
|---|---|---|---|
| 输入模态 | 文本、参考音频 | 输出模态 | 音频 |
| 语种 | 中文、英文 | 输出方式 | 非流式 |
| 输出格式 | WAV、MP3、PCM | 参考音频 | URL 或 Base64 |
上下文限制
| 参数 | 值 |
|---|---|
| 最大输入长度 | 3000 字符 |
| 单次生成音频时长上限 | 播客：240 秒（4 分钟）；其他场景：120 秒 |
| 参考音频数量 | 最多 3 条 |
| 单条参考音频时长 | 最长 30 秒 |
| 单条参考音频大小 | 不超过 10 MB |
| 参考音频格式 | WAV、MP3、OGG Opus；不支持裸 PCM |
模型价格
本文仅展示模型调用原价，不包含限时优惠。活动信息请参见百炼控制台。
华北2（北京）
| 计费项 | 单价（美元/百万 Token） |
|---|---|
| 输入 | 0.848 |
| 输出 | 1.696 |
按输入和输出 Token 数分别计费。详情请参见模型调用计费。
限流
华北2（北京）
| 指标 | 数值 |
|---|---|
| 每秒钟调用次数（RPS） | 3 |
调用方式
通过 HTTPS API 调用，返回完整音频文件。效果与提示词写法请参见音频生成，请求参数及示例请参见音频生成 API参考。