非实时语音合成-大模型服务平台百炼(Model Studio)-阿里云帮助中心

通过 HTTP 将完整文本转换为语音，了解模型特性、快速调用方法和合成效果优化方式。

功能介绍

非实时语音合成通过 HTTP 一次提交完整文本，支持非流式和 SSE 流式输出。非流式返回的音频 URL 有效期为 24 小时，请及时下载保存；链接过期后可重新合成。流式输出逐段返回音频数据。

多语言与方言：根据目标语言选择模型和音色，也可通过指令指定方言。参见方言。
表现力控制：通过自然语言指令调整语速、情感等表达，或在文本中插入情感与富语言标签。参见指令控制和情感与富语言标签。
自定义音色：通过声音复刻从音频样本创建音色，或通过声音设计使用文字描述创建音色。
精细控制与公式朗读：使用 SSML 与 LaTeX控制停顿、发音等效果，或将公式转换为语音。

说明

各模型及音色支持的能力有所不同，使用前请核对对应功能的支持范围。
需要分批输入文本时，请使用实时语音合成。

开始使用

获取 API Key并配置到环境变量 DASHSCOPE_API_KEY。使用与示例地域对应的 API Key。
使用业务空间专属域名时，将代码中的 YOUR_WORKSPACE_ID 替换为该地域的业务空间 ID。
安装示例依赖：
```
pip install requests
```

Qwen-Audio-TTS（推荐）

以下使用华北2（北京）地域的 qwen-audio-3.1-tts-flash 和系统音色 longanhuan_v3.1，演示非流式和流式输出。

非流式输出

import os
import requests

response = requests.post(
    'https://YOUR_WORKSPACE_ID.cn-beijing.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)

运行后，音频保存在当前目录的 output.wav 文件中。

流式输出

以下示例逐行打印 SSE 返回事件。事件中的 output.audio.data 为 Base64 编码的音频片段。

import os
import requests

response = requests.post(
    'https://YOUR_WORKSPACE_ID.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": "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

以下使用北京地域的 cosyvoice-v3-flash 和系统音色 longanyang，演示非流式和流式输出。

非流式输出

import os
import requests

response = requests.post(
    'https://YOUR_WORKSPACE_ID.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)

运行后，音频保存在当前目录的 output.wav 文件中。

流式输出

以下示例逐行打印 SSE 返回事件。事件中的 output.audio.data 为 Base64 编码的音频片段。

import os
import requests

response = requests.post(
    'https://YOUR_WORKSPACE_ID.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()

MiniMax

非流式输出

curl -X POST "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "MiniMax/speech-2.8-hd",
  "input": {
    "text": "今天天气真不错，适合出去走走。",
    "voice_setting": {
      "voice_id": "male-qn-qingse",
      "speed": 1,
      "vol": 1,
      "pitch": 0,
      "emotion": "happy"
    },
    "audio_setting": {
      "sample_rate": 32000,
      "bitrate": 128000,
      "format": "mp3",
      "channel": 1
    }
  }
}'

流式输出

curl -X POST "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
  "model": "MiniMax/speech-2.8-hd",
  "input": {
    "text": "今天天气真不错，适合出去走走。",
    "voice_setting": {
      "voice_id": "male-qn-qingse",
      "speed": 1,
      "vol": 1,
      "pitch": 0,
      "emotion": "happy"
    },
    "audio_setting": {
      "sample_rate": 32000,
      "bitrate": 128000,
      "format": "mp3",
      "channel": 1
    }
  }
}'

合成效果优化

语言与发音

数字、缩写或符号的读法不符合预期时，可通过 language_hints 指定合成目标语言，或通过 hot_fix 定义词语发音与文本替换。参数适用模型和配置方法请参见对应的 Qwen-Audio-TTS API或 CosyVoice API。

需要控制停顿、数字读法或字词发音时，可使用 SSML。Qwen-Audio-TTS 和 CosyVoice 的适用模型、音色、接口与标签用法，请参见 SSML 与 LaTeX。

指令控制

在请求的 input 中增加 instruction，用自然语言描述语速、情感或说话方式，控制合成语音的表现。

说明如需创建具有特定性别、年龄或音色特质的新音色，或参考声音描述的编写建议与示例，请参见声音设计。

Qwen-Audio-TTS

qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash 的系统音色、复刻音色和设计音色均支持在合成请求中通过 instruction 设置自然语言指令。

在 Qwen-Audio-TTS 的开始使用示例中，为 input 增加以下字段，可放慢语速：

{"instruction": "请用非常缓慢的语速说话，每个字都慢慢说。"}

CosyVoice

说明CosyVoice 的 instruction 长度不能超过 100 个字符。计数时，汉字（包括简体、繁体汉字、日文汉字和韩文汉字）按 2 个字符计算，其他字符（包括标点符号、字母、数字、假名和谚文）按 1 个字符计算。

模型	可使用的音色	指令要求	指令文本语言
`cosyvoice-v3.5-plus`、`cosyvoice-v3.5-flash`	复刻音色、设计音色无系统音色。	自然语言指令。	中文、英文、法语、德语、日语、韩语、俄语、葡萄牙语、泰语、印尼语、越南语。
`cosyvoice-v3-plus`	系统音色	按音色列表中的固定格式和内容填写。复刻音色、设计音色不支持指令控制。	按音色列表指定的语言填写。
`cosyvoice-v3-flash`	系统音色	按音色列表中的固定格式和内容填写。	中文。
`cosyvoice-v3-flash`	复刻音色、设计音色	自然语言指令。	中文、英文、法语、德语、日语、韩语、俄语。

MiniMax 通过 input.voice_setting.speed、pitch 和 emotion 设置语速、音调和情感，具体取值请参见 API 参考。

方言

通过方言功能，可将文本合成为河南话、四川话等中文方言语音。方言的选择方式取决于模型和音色类型。

Qwen-Audio-TTS

系统音色：从 Qwen-Audio-TTS 音色列表中选择支持目标方言的音色。直接支持该方言的音色无需额外设置；支持方言指令的音色使用 instruction 指定。
复刻音色：通过 instruction 指定方言，例如 请用河南话表达。。
设计音色：暂不支持方言。

CosyVoice

系统音色：选择直接支持目标方言的音色，例如 longshange_v3；或选择支持方言指令的音色，例如 longanhuan_v3，按音色列表的格式填写指令。
复刻音色：使用支持指令控制的模型，通过 instruction 指定方言。
设计音色：暂不支持方言。

说明cosyvoice-v3-plus 的复刻音色不支持通过指令指定方言。

使用 CosyVoice 的开始使用示例时，将 input 替换为以下内容，可使用 longanhuan_v3 输出河南话：

{
  "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 使用支持目标方言的系统音色，参见 Qwen3-TTS 音色列表。

情感与富语言标签

说明适用于 qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus 和 qwen-audio-3.0-tts-flash。

情感与富语言标签可控制语音的情感和风格，并在指定位置加入笑声、叹息等拟声效果。将标签直接写入待合成文本 text，无需额外参数。

使用示例

以下文本先使用兴奋语气，在指定位置插入笑声后继续合成正文：

[excited]今天的天气真不错！[laughing]我们一起出去玩吧！

以下文本在第二句切换为兴奋语气：

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

支持标签

控制类标签

控制类标签设置后续文本的情感或风格，直到出现下一个控制类标签；长句被自动切分时，作用范围以切分后的文本为界。

标签	说明
`[sad]`	悲伤
`[amazed]`	惊叹
`[deep and loud shouting]`	深沉大声呐喊
`[trembling]`	颤抖
`[angry]`	愤怒
`[excited]`	兴奋
`[sarcastic]`	讽刺
`[curious]`	好奇
`[like dracula]`	吸血鬼语气
`[bored]`	无聊
`[tired]`	疲倦
`[scornful]`	轻蔑
`[shouting]`	大喊
`[asmr]`	ASMR 轻声
`[panicked]`	惊慌
`[mischievously]`	调皮
`[empathetic]`	共情
`[whispers]`	低声耳语
`[reluctantly]`	不情愿
`[crying]`	哭泣
`[serious]`	严肃
`[very slowly]`	非常缓慢
`[very fast]`	非常快速

富语言类标签

富语言类标签在当前位置插入拟声效果，不改变前后文本的情感风格。

标签	说明
`[gasp]`	倒吸气
`[sighing]`	叹息
`[clears throat]`	清嗓
`[giggles]`	咯咯笑
`[laughing]`	大笑
`[cough]`	咳嗽
`[snorts]`	哼声、嗤笑

支持模型

华北2（北京）

使用该地域的 API Key 和接入域名调用以下模型：

Qwen-Audio-TTS：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
MiniMax：MiniMax/speech-2.8-hd、MiniMax/speech-02-hd、MiniMax/speech-2.8-turbo、MiniMax/speech-02-turbo

新加坡

使用该地域的 API Key 和接入域名调用以下模型：

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

系统音色与试听分别参见 Qwen-Audio-TTS、CosyVoice和 Qwen3-TTS 音色列表。使用复刻或设计音色时，合成模型须与创建音色时指定的目标模型一致。