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

非实时语音合成通过HTTP API将文本转换为语音，适用于有声书制作、在线教育配音、内容制作等对延迟要求不高的场景，支持丰富音色、多语言、声音复刻与声音设计。

概述

通过HTTP API将完整文本转换为语音文件，支持非流式和流式两种输出模式。

非流式返回音频文件 URL，有效期 24 小时；流式逐段返回音频数据。
支持多种语言，含中文方言。
支持声音复刻与声音设计进行定制音色创建。
支持指令控制，通过自然语言指令控制语音表现力。
支持情感与富语言标签，可在文本中嵌入标签控制情感表达或插入拟声效果

说明各模型系列的调用端点不同：Qwen-Audio-TTS 与 CosyVoice 使用 https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer；Qwen-TTS 使用 https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation；MiniMax 使用 https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation。端点不可混用，请以各模型系列示例中的端点为准。

低延迟流式场景请参见实时语音合成。各模型选型建议请参见语音合成。

百炼控制台声音设计页面合成的语音仅支持在线试听，无法下载音频文件。如需下载音频，请通过 API 或 SDK 调用，非流式模式下响应中返回音频 URL，有效期 24 小时。

前提条件

开始前，请确认已完成以下准备工作：

配置API Key，并设置到环境变量
（可选）如果通过 DashScope SDK调用，安装最新版SDK

快速开始

以下各 Tab 分别演示不同模型系列的语音合成。更多语言示例和详细参数说明，请参见API 参考。

Qwen-Audio-TTS

以下示例演示如何使用 Qwen-Audio-TTS 模型合成语音。

重要Qwen-Audio-TTS 非实时语音合成仅在北京地域可用。

非流式输出

非流式模式下，响应中包含合成音频的 URL，有效期为 24 小时。

curl -X POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen-audio-3.0-tts-flash",
    "input": {
      "text": "我家的后面有一个很大的花园。",
      "voice": "longanhuan_v3.6",
      "format": "wav",
      "sample_rate": 24000
    }
}'

流式输出

添加 X-DashScope-SSE: enable Header 开启流式输出，服务端以 Server-Sent Events（SSE）方式逐段返回音频数据。

curl -X POST https://{WorkspaceId}.cn-beijing.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-3.0-tts-flash",
    "input": {
      "text": "我家的后面有一个很大的花园。",
      "voice": "longanhuan_v3.6",
      "format": "wav",
      "sample_rate": 24000
    }
}'

CosyVoice

以下示例演示如何使用 CosyVoice 模型合成语音。

重要CosyVoice 非实时语音合成仅在北京地域可用。

非流式输出

非流式模式下，响应中包含合成音频的 URL，有效期为 24 小时。

curl -X POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "text": "我家的后面有一个很大的花园。",
      "voice": "longanyang",
      "format": "wav",
      "sample_rate": 24000
    }
}'

流式输出

添加 X-DashScope-SSE: enable Header 开启流式输出，服务端以 Server-Sent Events（SSE）方式逐段返回音频数据。

curl -X POST https://{WorkspaceId}.cn-beijing.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": "cosyvoice-v3-flash",
    "input": {
      "text": "我家的后面有一个很大的花园。",
      "voice": "longanyang",
      "format": "wav",
      "sample_rate": 24000
    }
}'

MiniMax

MiniMax 支持情感控制、语速调节和音调调整。

重要MiniMax 非实时语音合成仅在北京地域可用。

非流式输出

非流式模式下，响应中包含完整的合成音频。

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

添加 X-DashScope-SSE: enable Header 开启流式输出。

# 获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key

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
    }
  }
}'

进阶功能

指令控制

指令控制通过自然语言描述控制语音的音调、语速、情感和音色特点，无需调整复杂的音频参数。

各模型指令规格：

说明指令参数名因模型系列而异：CosyVoice 使用 instruction，Qwen-TTS 使用 instructions。跨模型迁移时请注意修改参数名。

Qwen-Audio-TTS

支持的模型：qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash

系统音色和声音复刻音色：均可输入任意指令。

CosyVoice

支持的模型：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash

不同模型对指令的格式要求不同：

cosyvoice-v3.5-plus、cosyvoice-v3.5-flash：
- 声音复刻/设计音色：可输入任意指令。
- 系统音色：v3.5不支持系统音色。
cosyvoice-v3-plus：
- 声音复刻/设计音色：不支持指令控制。
- 系统音色：指令必须使用固定格式和内容，参见CosyVoice音色列表。
cosyvoice-v3-flash：
- 声音复刻/设计音色：可输入任意指令。
- 系统音色：指令必须使用固定格式和内容，参见CosyVoice音色列表。

使用方式：通过 instruction 参数指定指令内容。

指令文本支持的语言：

cosyvoice-v3.5-plus、cosyvoice-v3.5-flash：
- 声音复刻/设计音色：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。
- 系统音色：v3.5不支持系统音色。
cosyvoice-v3-plus：
- 声音复刻/设计音色：中文、英文、法语、德语、日语、韩语、俄语。
- 系统音色：指令必须使用固定格式和内容，参见CosyVoice音色列表。
cosyvoice-v3-flash：
- 声音复刻/设计音色：中文、英文、法语、德语、日语、韩语、俄语。
- 系统音色：中文。

指令文本长度限制：不超过 100 字符。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（如标点符号、字母、数字、日韩文假名/谚文等）按 1 个字符计算。

Qwen-TTS

支持的模型：仅支持Qwen3-TTS-Instruct-Flash 系列模型。

使用方式：通过 instructions 参数传入指令内容。

指令文本支持的语言：仅支持中文和英文。

指令文本长度限制：不超过 1,600 Token。

适用场景：

有声书和广播剧配音
广告和宣传片配音
游戏角色和动画配音
情感化的智能语音助手
纪录片和新闻播报

如何编写高质量的声音描述：

核心原则：
1. 具体而非模糊：使用描绘声音特质的词语，如“低沉”、“清脆”、“语速偏快”，避免“好听”、“普通”等主观或模糊的表述。
2. 多维而非单一：好的描述通常涵盖多个维度（如性别、年龄、情感等）。仅写“女声”过于宽泛，难以生成有特色的音色。
3. 客观而非主观：聚焦声音的物理和感知特征。例如，用”音调偏高，带有活力“代替”我最喜欢的声音”。
4. 原创而非模仿：描述声音的特质，而非要求模仿特定人物（如名人、演员）。模型不支持模仿，且可能涉及版权风险。
5. 简洁而非冗余：确保每个词都有明确作用，避免重复的同义词或无意义的修饰。
描述维度参考：

建议组合以下维度描述声音，维度越丰富，生成效果越精准。

维度	描述示例
性别	男性、女性、中性
年龄	儿童（5-12 岁）、青少年（13-18 岁）、青年（19-35 岁）、中年（36-55 岁）、老年（55 岁以上）
音调	高音、中音、低音、偏高、偏低
语速	快速、中速、缓慢、偏快、偏慢
情感	开朗、沉稳、温柔、严肃、活泼、冷静、治愈
特点	有磁性、清脆、沙哑、圆润、甜美、浑厚、有力
用途	新闻播报、广告配音、有声书、动画角色、语音助手、纪录片解说

示例：
- 标准播音风格：吐字清晰精准，字正腔圆
- 年轻活泼的女性声音，语速较快，带有明显的上扬语调，适合介绍时尚产品
- 沉稳的中年男性，语速缓慢，音色低沉有磁性，适合朗读新闻或纪录片解说
- 温柔知性的女性，30 岁左右，语调平和，适合有声书朗读
- 可爱的儿童声音，大约 8 岁女孩，说话略带稚气，适合动画角色配音

方言

本节介绍如何让模型用中文方言（如河南话、四川话等）输出语音。不同模型和音色类型的设置方式不同。

Qwen-Audio-TTS

系统音色：在Qwen-Audio-TTS音色列表中选择以下任一种音色：
- 支持方言的系统音色，无需额外设置即可输出对应方言。
- 支持指令控制且可指定方言的音色，通过指令文本指定方言。
声音复刻音色：通过指令控制功能设置，例如指令文本写 请用河南话表达。
声音设计音色：暂不支持方言。

具体支持哪些方言：参见Qwen-Audio-TTS中各模型“支持的语言”。

CosyVoice

系统音色：在CosyVoice音色列表中选择以下任一种音色：
- 支持方言的系统音色（例如 longshange_v3），无需额外设置即可输出对应方言。
- 支持指令控制且可指定方言的音色（例如 longanhuan_v3），通过指令文本指定方言。
声音复刻音色：通过指令控制功能设置，例如指令文本写 请用河南话表达。
声音设计音色：暂不支持方言。

具体支持哪些方言：参见CosyVoice中各模型“支持的语言”。

示例：以 cosyvoice-v3-flash + longanhuan_v3 音色，通过指令文本 "请用河南话表达。" 输出河南话语音。

curl -X POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "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。"
    }
}'

说明此处指令参数名 instruction 为 CosyVoice 专用；Qwen-TTS 的指令参数名为 instructions，请勿混用。

Qwen-TTS

系统音色：使用支持方言的系统音色，参见Qwen-TTS音色列表。
声音复刻音色：不支持方言。
声音设计音色：不支持方言。

具体支持哪些方言：参见Qwen3-TTS中各模型“支持的语言”。

情感与富语言标签

Qwen-Audio-TTS 系列模型支持在待合成文本（text 参数）中直接嵌入情感与富语言标签，用于控制语音的情感表达或在指定位置插入拟声效果（如笑声、叹息等），无需调整复杂的音频参数即可生成更具表现力的语音。

重要支持的模型：仅 qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus 和 qwen-audio-3.0-tts-flash。

控制类标签

控制类标签用于设定语音的情感或风格。将标签写在文本中，标签会作用于其后的所有文本，直到遇到下一个控制类标签，或因句子较长被自动切分为止。

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]`	德古拉风格（低沉、阴森）
`[bored]`	无聊
`[tired]`	疲惫
`[scornful]`	轻蔑
`[shouting]`	大喊
`[asmr]`	ASMR 轻柔耳语
`[panicked]`	恐慌
`[mischievously]`	调皮
`[empathetic]`	共情
`[whispers]`	耳语
`[reluctantly]`	不情愿
`[crying]`	哭泣
`[serious]`	严肃
`[very slowly]`	非常缓慢地说话
`[very fast]`	非常快速地说话

富语言类标签

富语言类标签用于在文本的当前位置插入一段拟声效果，不影响前后文本的情感风格。

标签	说明
`[gasp]`	倒吸一口气
`[sighing]`	叹息
`[clears throat]`	清嗓
`[giggles]`	咯咯笑
`[laughing]`	大笑
`[cough]`	咳嗽
`[snorts]`	哼声、嗤笑

使用示例

以下示例展示如何在 text 参数中组合使用控制类标签和富语言类标签：

[excited]今天的天气真不错！[laughing]我们一起出去玩吧！

上述文本中，[excited] 是控制类标签，作用于其后的所有文本，使语音带有兴奋的情感；[laughing] 是富语言类标签，在该位置插入一段笑声效果后继续合成后续文本。

您也可以在同一段文本中切换不同情感：

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

其中 [serious] 控制第一句为严肃语气，[excited] 从第二句起切换为兴奋语气。

文本预处理建议

cosyvoice-v3-flash 在合成包含点号（·）分隔数字段的文本时，可能出现漏读或重复念读的情况，例如连续的房号可能被读错。

将文本中的点号（·）替换为中文逗号（，）可规避该问题：

原文：主楼五楼·501房是PU·502房是OOO
预处理后：主楼五楼501房是PU，502房是OOO

重要此为模型层已知限制，仅在 cosyvoice-v3-flash 上确认，cosyvoice-v2 经交叉验证无此问题，不适用于 CosyVoice 其他型号或其他模型系列。在模型优化完成前，建议在代码侧对待合成文案统一做该预处理。

支持的模型与地域

华北2（北京）

调用以下模型时，请选择北京地域的API Key：

Qwen-Audio-TTS：qwen-audio-3.0-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-flash
CosyVoice：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2
Qwen-TTS：
- Qwen3-TTS-Instruct-Flash：qwen3-tts-instruct-flash（稳定版，当前等同 qwen3-tts-instruct-flash-2026-01-26）、qwen3-tts-instruct-flash-2026-01-26（最新快照版）
- Qwen3-TTS-VD：qwen3-tts-vd-2026-01-26（最新快照版）
- Qwen3-TTS-VC：qwen3-tts-vc-2026-01-22（最新快照版）
- Qwen3-TTS-Flash：qwen3-tts-flash（稳定版，当前等同 qwen3-tts-flash-2025-11-27）、qwen3-tts-flash-2025-11-27、qwen3-tts-flash-2025-09-18
- Qwen-TTS：qwen-tts（稳定版，当前等同 qwen-tts-2025-04-10）、qwen-tts-latest（最新版，当前等同 qwen-tts-2025-05-22）、qwen-tts-2025-05-22（快照版）、qwen-tts-2025-04-10（快照版）
MiniMax：MiniMax/speech-2.8-hd、MiniMax/speech-02-hd、MiniMax/speech-2.8-turbo、MiniMax/speech-02-turbo

新加坡

调用以下模型时，请选择新加坡地域的API Key：

Qwen-TTS：
- Qwen3-TTS-Instruct-Flash：qwen3-tts-instruct-flash（稳定版，当前等同 qwen3-tts-instruct-flash-2026-01-26）、qwen3-tts-instruct-flash-2026-01-26（最新快照版）
- Qwen3-TTS-VD：qwen3-tts-vd-2026-01-26（最新快照版）
- Qwen3-TTS-VC：qwen3-tts-vc-2026-01-22（最新快照版）
- Qwen3-TTS-Flash：qwen3-tts-flash（稳定版，当前等同 qwen3-tts-flash-2025-11-27）、qwen3-tts-flash-2025-11-27、qwen3-tts-flash-2025-09-18

支持的系统音色

不同模型支持的音色不同。将请求参数 voice 设为下表中 voice 参数列的值即可。

API 参考

常见问题

Q：音频文件链接的有效期是多久？

A：音频文件链接在生成后 24 小时内有效。链接过期后，重新调用接口即可获取新链接。