Audio generation

Updated at:

Generate speech, sound effects, and ambient sound together from text descriptions and reference audio to create complete audio scenes. Explore examples and prompt techniques for dialogue and podcasts.

Use cases

Audio generation goes beyond converting text to speech. It can generate speech, sound effects, and ambient sound together to create complete audio scenes:

  • Speech and dialogue: narration, multi-speaker dialogue, podcasts, audiobooks, and audio dramas.
  • Audio scenes: dialogue accompanied by rain, ocean waves, or game sound effects.

For converting a fixed script into speech, you can also use Text-to-speech. Use audio generation when you need to describe both speakers and other sounds in a scene.

Examples

Explore prompts and generated audio for different scenarios. Results may vary between requests with the same prompt.

ScenarioPromptAudio
Podcast
播客节目,两位主播闲聊。主播1(成年男性,嗓音低沉,略带沙哑,吐字清晰,语速略偏快,播客腔)语调平缓地说:“我是觉得,旅行这件事吧,不是说去多远的地方才算数,对吧?就是说,哪怕是在城市里走走,也是一种放松。所以就是说。”到这里稍微停顿,略微加重语气肯定道:“这一次去杭州,我主要想的就是想慢下来,就去了。”主播1语气略微提高,以稍微惊讶的腔调和叙事的口吻说道:“我跟你讲,去了之后其实我是有点,有点惊讶的。大家可以看那期vlog,我真的挺惊讶,因为我们特地挑了个小雨天。那天还下着蒙蒙细雨。”这句话中“特地”两个字被加重说了出来。主播2(年轻女性,嗓音偏御,略哑,略微低沉)简短附和道:“是。”主播1恢复平缓语气接着说:“然后我们两个人就说,欸,下雨天,应该就没什么人了。”说到这里主播2笑了一声,主播1继续:“我们就想说,哎,就这样逛。”说到这里主播1有略微吞口水的声音,继续说道:“结果去了之后人还是很多,我讲心里话,人还是很多。”主播2用肯定的语气简短地说:“是。”主播1语气略微偏高,以解释的口吻说道:“但是惠子跟我说,这个跟节假日比,人已经少太多太多了。因为我们当时连算上走路、进园、排队,可能也就花了十五二十分钟。”
播客节目,情感对谈。主播(三十岁左右女性,嗓音温柔,略哑,语速缓慢,有亲和力)语调平缓地说:“我不知道大家有没有这种感觉,就是,有些话,你对最亲近的人,反而说不出口,对吧?就是说,越是在乎,越是小心翼翼。所以就是说。”到这里稍微停顿,略微加重语气道:“这一次跟我妈通电话,我其实,犹豫了很久。”主播语气略微提高,以有点感慨、叙事的口吻说道:“我跟你讲,电话接通的那一刻,我其实是有点,有点鼻酸的。那天是我离家整整一年的那天。”这句话里“整整一年”被加重。嘉宾(二十五岁女性,嗓音清澈,偏软,语速慢)轻轻地附和:“嗯,我懂。”主播恢复平缓语气接着说:“然后我就听到她那头,欸,还在厨房忙活的声音。”说到这里嘉宾轻轻笑了一声,主播继续:“我就突然,什么都不想说了,就想听她唠叨。”说到这里主播有轻微的吸气声,继续:“结果聊了半个小时,全是些鸡毛蒜皮,可我讲心里话,那是我这周最安心的半小时。”嘉宾用温柔肯定的语气说:“是,这就是家吧。”
Audiobook
小说片段多角色配音,场景为初冬的咖啡厅。背景声:窗外细雨轻敲玻璃。旁白(28-30岁女性,温柔沉静、略带文艺感与淡淡怅惘,语速舒缓,有画面感);角色A宁艺卓(22岁女性,明亮爽利、语速偏快,带点俏皮调侃,直来直去);角色B金旼炡(22岁女性,轻柔温和、偏安静,语速慢,声音带一丝克制与不易察觉的忧伤)。旁白:"初冬的雨下得不大。金旼炡坐在咖啡厅靠窗的位置,手里的咖啡已经凉了。对面的宁艺卓撑着下巴看她,看了整整十分钟,最后终于忍不住开口。"角色A宁艺卓:"你到底还要喜欢她多久?"旁白:"金旼炡动作一顿,没有回答。宁艺卓翻了个白眼。"角色A宁艺卓:"十二年。金旼炡,十二年了。"旁白:"金旼炡低头搅了搅咖啡,轻声说:"角色B金旼炡:"也没有那么久。"角色A宁艺卓(差点笑出来):"没有?从小学到现在,你跟我说没有那么久?"旁白:"金旼炡终于笑了,只是笑容很浅。她当然记得,记得第一次见到刘知珉的时候。"
小说片段多角色配音,场景为深夜的居民楼天台,两位多年好友靠着栏杆,喝着啤酒聊天。背景声:远处城市的低鸣、晚风声、易拉罐轻碰声。旁白(30岁女性,沉静、有故事感,语速舒缓);角色A阿哲(28岁男性,嗓音低沉、略带疲惫但真诚,语速偏慢);角色B大刘(28岁男性,嗓音爽朗、乐观、中气足,语速快)。旁白:"城市的灯在脚下连成一片。阿哲灌了一口酒,忽然开口。"角色A阿哲:"你说,我们是不是把日子过成了当年最讨厌的样子?"角色B大刘:"怎么突然这么丧。"角色A阿哲:"今天开会,我居然会打官腔了。"角色B大刘(笑):"那叫成熟。"角色A阿哲:"成熟……还是磨平了?"旁白:"大刘没立刻回答,碰了碰他的罐子。"角色B大刘:"管它呢。至少今晚,咱俩还是当年那两个小子。"旁白:"夜风里,两个人都笑了。"
合租屋的客厅里,两位室友搬家前夜坐在打包好的纸箱中间,聊着未来。背景声:纸箱轻碰声、深夜的安静、偶尔的轻笑。旁白(28岁女性,温柔、略带怅惘,语速舒缓);角色A阿宁(25岁女性,嗓音温柔、带点不舍,语速偏慢);角色B可可(25岁女性,嗓音爽朗、重感情,语速偏快)。旁白:"客厅堆满了纸箱,两个人坐在中间,像坐在三年的回忆里。"角色A阿宁:"明天之后,就没人半夜陪你吃泡面了。"角色B可可:"说得好像我多稀罕似的。"角色A阿宁:"上次是谁抢我最后一口汤的?"角色B可可(笑):"那是给你面子。"旁白:"笑着笑着,两个人都安静了。"角色A阿宁(轻声):"以后……也要常联系啊。"角色B可可:"废话。"旁白:"可可别过头,偷偷红了眼眶。"
Audio drama
雨中告白广播剧。男主(27岁,气喘、淋着雨、真挚):“我找了你整整三条街!这句话我今天必须说——我喜欢你,从很久很久以前就开始了!”女主(25岁,惊讶、声音发颤):“你……你先过来,雨这么大,你会生病的……”背景声:倾盆雨声、偶尔的雷鸣。
海边场景对话。角色A(26岁女性,放松、带笑):“你听,海浪的声音,是不是把所有烦心事都冲走了?”角色B(28岁男性,惬意、慵懒):“嗯……真想就这么一直坐着,什么都不干。”背景声:持续的海浪拍岸声、轻柔海风。
Game voice-overs
游戏世外高人台词。说话人:80岁老者,苍老、悠远、仙风道骨、语速缓慢的嗓音。情绪:超然、点拨。台词:“年轻人,莫急。剑法之妙,不在招式,而在心境。心若止水,万物皆可为剑。你,可悟了?”
游戏NPC台词配音,场景为村口大树下,老村长拄着拐杖,给玩家交代任务。背景声:乡村的鸡鸣犬吠、风吹树叶的沙沙声、远处孩童嬉闹。NPC老村长(70岁男性,嗓音苍老、缓慢、慈祥又透着忧心,语速很慢)叮嘱道:"孩子啊,你来得正好。后山那边,昨天闹起了妖怪,闹得村里人心惶惶的。你本事大,帮我去瞧一瞧,到底是个什么东西在作怪。村里人,都指望你了。"
游戏战斗场景NPC台词配音,场景为战场边缘的临时救护点,一位军医在混乱中抢救伤员、大声呼喊。背景声:远处的喊杀声、伤兵的呻吟声、布料撕扯声。NPC军医(35岁女性,嗓音急切、坚定、透着焦急与关切,语速快)喊道:"快!把伤员抬下来!这边还有一个,撑住,别睡过去!担架——担架在哪?按住伤口,军医马上就到,都给我挺住!"

Write a prompt

Describe the required sounds in one prompt, distinguishing dialogue from scene directions.

ElementExample
Task“An opening exchange between two podcast hosts” or “An audio drama scene with dialogue in the rain”
Characters and voices“Character A has a low male voice; character B has a bright female voice”
DialoguePut spoken lines in quotation marks and identify the speaker
Delivery“Whisper”, “sound surprised”, or “pause briefly before continuing”
Background and effects“Rain outside the window with quiet page-turning sounds indoors”
Sound transitions“Footsteps approach before the character starts speaking”

Start with the core dialogue and sounds, then add necessary style instructions. Use consistent character names and avoid conflicting voice or emotion instructions. Use sequencing instructions to describe transitions between sounds.

Use reference audio

Provide publicly accessible audio URLs or Base64-encoded audio. Use @voice1, @voice2, and @voice3 in the prompt to refer to clips in the order provided.

For example, with two reference clips:

@voice1 cheerfully says: "What a lovely day." @voice2 laughs nearby.

qwen-audio-3.1-tts-next accepts up to three clips, each no longer than 30 seconds and no larger than 10 MB. Supported reference formats are WAV, MP3, and OGG Opus; raw PCM is not supported. For each clip, provide either a URL or Base64 data. The service must be able to access any URL you provide.

Supported models

ModelLanguagesMaximum input lengthMaximum output duration per request
qwen-audio-3.1-tts-nextChinese and English3,000 charactersPodcasts: 240 seconds (4 minutes); other scenarios: 120 seconds

For pricing and limits, see the model details.

Integration and billing

  • For authentication, parameters, and reference audio requests, see Audio generation API reference.
  • Billing uses the original generated audio duration. Changing the speech rate does not change the billable duration. See Model pricing.