Síntesis de voz no en tiempo real

Funciones

La síntesis de voz no en tiempo real recibe el texto completo en una sola solicitud HTTP y admite salidas sin streaming y con streaming mediante SSE. La salida sin streaming devuelve una URL de audio válida durante 24 horas. Descargue y guarde el audio antes de que venza; después, puede volver a sintetizarlo. La salida con streaming devuelve los datos de audio por fragmentos.

Idiomas y dialectos: seleccione un modelo y una voz para el idioma de destino o indique el dialecto mediante una instrucción. Consulte Dialectos.
Expresividad: ajuste la interpretación mediante instrucciones en lenguaje natural o inserte etiquetas de emoción y sonidos no verbales. Consulte Control mediante instrucciones y Etiquetas de emoción y sonidos no verbales.
Voces personalizadas: cree una voz a partir de una muestra de audio con la clonación de voz o de una descripción con el diseño de voz.
Control detallado y fórmulas: utilice SSML y LaTeX para controlar las pausas y la pronunciación o convertir fórmulas en voz.

Las funciones disponibles varían según el modelo y la voz. Revise su alcance en la documentación de la función correspondiente.
Para enviar texto de forma incremental, utilice la síntesis de voz en tiempo real.

Primeros pasos

Obtenga una clave de API y configure la variable de entorno DASHSCOPE_API_KEY. Utilice una clave de la región del ejemplo.
Para un punto de conexión exclusivo de un espacio de trabajo, sustituya YOUR_WORKSPACE_ID por el ID del espacio de trabajo de esa región.
Instale la dependencia del ejemplo:
```
pip install requests
```

Qwen-Audio-TTS (Recomendado)
CosyVoice

Los siguientes ejemplos utilizan qwen-audio-3.1-tts-flash y la voz del sistema longanhuan_v3.1 en la región Singapur para mostrar las salidas sin streaming y con streaming.

Salida sin streaming
Salida con streaming

import os
import requests

response = requests.post(
    'https://YOUR_WORKSPACE_ID.ap-southeast-1.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": "Hello, welcome to Alibaba Cloud Model Studio.",
            "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)

El audio se guarda en output.wav en el directorio actual.

Este ejemplo imprime los eventos SSE recibidos línea por línea. El campo output.audio.data contiene un fragmento de audio codificado en Base64.

import os
import requests

response = requests.post(
    'https://YOUR_WORKSPACE_ID.ap-southeast-1.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": "Hello, welcome to Alibaba Cloud Model Studio.",
            "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()

Los siguientes ejemplos utilizan cosyvoice-v3-flash y la voz del sistema longanyang en Pekín para mostrar las salidas sin streaming y con streaming.

Salida sin streaming
Salida con streaming

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": "Hello, welcome to Alibaba Cloud Model Studio.",
            "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)

El audio se guarda en output.wav en el directorio actual.

Este ejemplo imprime los eventos SSE recibidos línea por línea. El campo output.audio.data contiene un fragmento de audio codificado en Base64.

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": "Hello, welcome to Alibaba Cloud Model Studio.",
            "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()

Mejorar la calidad de la síntesis

Idiomas y pronunciación

Si los números, las abreviaturas o los símbolos se pronuncian incorrectamente, utilice language_hints para indicar el idioma de destino o hot_fix para personalizar la pronunciación y sustituir texto. Para conocer los modelos compatibles y la configuración, consulte Qwen-Audio-TTS API o CosyVoice API. Utilice SSML para controlar pausas, la lectura de números o la pronunciación de palabras. Para conocer los modelos, voces, interfaces y etiquetas compatibles con Qwen-Audio-TTS y CosyVoice, consulte SSML y LaTeX.

Control mediante instrucciones

Agregue instruction al objeto input de la solicitud para especificar el idioma de síntesis y describir la velocidad, la emoción o el estilo de habla en lenguaje natural.

Para crear una voz nueva con un género, una edad o características vocales específicas, o consultar recomendaciones y ejemplos de descripciones de voz, consulte diseño de voz.

Qwen-Audio-TTS
CosyVoice

Las voces del sistema, clonadas y diseñadas de qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus y qwen-audio-3.0-tts-flash admiten instrucciones en lenguaje natural mediante instruction en las solicitudes de síntesis.Recomendamos especificar el idioma de síntesis y el efecto deseado en instruction para mejorar la calidad de la síntesis. El idioma especificado en la instrucción debe coincidir con el idioma del texto que se va a sintetizar. Por ejemplo, para sintetizar texto en neerlandés, establezca:

{"instruction": "请用荷兰话说，每个字都慢慢说"}

En CosyVoice, instruction no puede superar los 100 caracteres. Los caracteres chinos, incluidos los simplificados, tradicionales y los utilizados en japonés y coreano, cuentan como dos cada uno. Los demás caracteres, incluidos signos de puntuación, letras, números, kana y hangul, cuentan como uno.

Modelo	Voces aplicables	Requisitos de las instrucciones	Idiomas del texto de las instrucciones
`cosyvoice-v3.5-plus`, `cosyvoice-v3.5-flash`	Voces clonadas y diseñadasNo hay voces del sistema.	Instrucciones en lenguaje natural.	Chino, inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio y vietnamita.
`cosyvoice-v3-plus`	Voces del sistema	Utilice el formato y el contenido fijos de la lista de voces.Las voces clonadas y diseñadas no admiten el control mediante instrucciones.	Utilice el idioma indicado en la lista de voces.
`cosyvoice-v3-flash`	Voces del sistema	Utilice el formato y el contenido fijos de la lista de voces.	Chino.
`cosyvoice-v3-flash`	Voces clonadas y diseñadas	Instrucciones en lenguaje natural.	Chino, inglés, francés, alemán, japonés, coreano y ruso.

Dialectos

La síntesis de dialectos permite generar voz en dialectos chinos, como los de Henan o Sichuan. La selección del dialecto depende del modelo y del tipo de voz.

Qwen-Audio-TTS
CosyVoice

Voces del sistema: seleccione una voz compatible con el dialecto de destino en la lista Qwen-Audio-TTS. Las voces que admiten directamente el dialecto no requieren ajustes adicionales. Para las voces compatibles con instrucciones de dialecto, utilice el parámetro de control mediante instrucciones instruction.
Voces clonadas: especifique el dialecto con el parámetro de control mediante instrucciones instruction.
Voces diseñadas: no se admiten dialectos.

Para las voces compatibles con instrucciones de dialecto, establezca instruction="请讲上海话。" en el objeto input de la solicitud para sintetizar texto en chino con el dialecto de Shanghái.

Voces del sistema: seleccione una voz que admita directamente el dialecto, como longshange_v3, o instrucciones de dialecto, como longanhuan_v3. Siga el formato de la lista de voces.
Voces clonadas: utilice instruction con un modelo compatible con el control mediante instrucciones para especificar el dialecto.
Voces diseñadas: no se admiten dialectos.

Las voces clonadas de cosyvoice-v3-plus no permiten especificar dialectos mediante instrucciones.

En el ejemplo inicial de CosyVoice, sustituya input por el siguiente contenido para generar el dialecto de Henan con longanhuan_v3:

{
  "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 utiliza voces del sistema compatibles con el dialecto de destino. Consulte la lista de voces Qwen-TTS.

Etiquetas de emoción y sonidos no verbales

Se aplica a qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus y qwen-audio-3.0-tts-flash.

Las etiquetas de emoción y paralingüísticas controlan la emoción y el estilo de la voz e insertan sonidos, como risas o suspiros, en posiciones específicas. Escriba las etiquetas directamente en el texto que desea sintetizar, text, sin parámetros adicionales.

Ejemplos de uso

Este texto comienza con una interpretación entusiasta, inserta una risa en la posición indicada y luego continúa la voz:

[excited]今天的天气真不错！[laughing]我们一起出去玩吧！

Este texto cambia a una interpretación entusiasta en la segunda oración:

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

Etiquetas compatibles

Etiquetas de control
Etiquetas de sonidos no verbales

Una etiqueta de control establece la emoción o el estilo del texto siguiente hasta la próxima etiqueta de control. Si una oración larga se divide automáticamente, el efecto queda limitado al segmento resultante.

Etiqueta	Descripción
`[sad]`	Triste
`[amazed]`	Asombrado
`[deep and loud shouting]`	Grito grave y fuerte
`[trembling]`	Tembloroso
`[angry]`	Enojado
`[excited]`	Entusiasmado
`[sarcastic]`	Sarcástico
`[curious]`	Curioso
`[like dracula]`	Interpretación de Drácula
`[bored]`	Aburrido
`[tired]`	Cansado
`[scornful]`	Desdeñoso
`[shouting]`	Grito
`[asmr]`	Voz suave de ASMR
`[panicked]`	Asustado
`[mischievously]`	Travieso
`[empathetic]`	Empático
`[whispers]`	Susurro
`[reluctantly]`	Reacio
`[crying]`	Llanto
`[serious]`	Serio
`[very slowly]`	Muy lento
`[very fast]`	Muy rápido

Una etiqueta de sonido no verbal inserta un sonido en su posición sin cambiar el estilo emocional del texto que la rodea.

Etiqueta	Descripción
`[gasp]`	Jadeo de sorpresa
`[sighing]`	Suspiro
`[clears throat]`	Carraspeo
`[giggles]`	Risita
`[laughing]`	Risa
`[cough]`	Tos
`[snorts]`	Resoplido

Modelos compatibles

Singapur
China (Pekín)

Utilice una clave de API y un punto de conexión de esta región para llamar a los siguientes modelos:

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
Qwen3-TTS: qwen3-tts-flash

Para consultar voces del sistema y muestras de audio, consulte las listas Qwen-Audio-TTS, CosyVoice y Qwen3-TTS. Una voz clonada o diseñada debe utilizarse con el modelo de destino indicado durante su creación.

​Funciones

​Primeros pasos

​Mejorar la calidad de la síntesis

​Idiomas y pronunciación

​Control mediante instrucciones

​Dialectos

​Etiquetas de emoción y sonidos no verbales

​Ejemplos de uso

​Etiquetas compatibles

​Modelos compatibles

​Referencia de la API

Funciones

Primeros pasos

Mejorar la calidad de la síntesis

Idiomas y pronunciación

Control mediante instrucciones

Dialectos

Etiquetas de emoción y sonidos no verbales

Ejemplos de uso

Etiquetas compatibles

Modelos compatibles

Referencia de la API