Síntesis de voz en tiempo real

​

Funciones

• 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.
• Control de audio: ajuste velocidad, tono, volumen y tasa de bits, con formatos de audio habituales, como PCM, WAV, MP3 y Opus, y frecuencias de muestreo de hasta 48 kHz. Consulte los parámetros de la API para conocer los valores y las condiciones de compatibilidad.

​

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 {WorkspaceId} por el ID del espacio de trabajo de esa región.
• Instale el SDK de DashScope y elija el ejemplo de Python o Java.

import os
import dashscope

# Si no se ha configurado la variable de entorno, sustituya la siguiente línea por su API Key de Model Studio: api_key="sk-xxx"
# La siguiente configuración corresponde a la región de China (Pekín). Sustituya "{WorkspaceId}" por el ID real de su espacio de trabajo.
client = dashscope.Client(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

with open("output.mp3", "wb") as audio:
    # Envíe el texto por segmentos y reciba el audio segmento a segmento
    with client.audio.tts.connect(
        model="qwen-audio-3.1-tts-flash",
        voice="longanhuan_v3.1",
        format="mp3",
        sample_rate=24000,
    ) as session:
        for text in ["你好，欢迎使用阿里云百炼。", "文本可以分段发送，音频会逐段返回。"]:
            session.send_text(text)
        session.flush()  # Activa la síntesis del texto almacenado en búfer (no finaliza la entrada)
        session.stop()   # Finaliza la entrada y espera a que se devuelva el audio restante
        for chunk in session.audio_chunks():
            audio.write(chunk)

import os
import dashscope

# Si no se ha configurado la variable de entorno, sustituya la siguiente línea por su API Key de Model Studio: api_key="sk-xxx"
# La siguiente configuración corresponde a la región de China (Pekín). Sustituya "{WorkspaceId}" por el ID real de su espacio de trabajo.
client = dashscope.Client(
    api_key=os.environ["DASHSCOPE_API_KEY"],
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

with open("output.mp3", "wb") as audio:
    # Envíe el texto por segmentos y reciba el audio segmento a segmento
    with client.audio.tts.connect(
        model="cosyvoice-v3-flash",
        voice="longanyang",
        format="mp3",
        sample_rate=24000,
    ) as session:
        for text in ["你好，欢迎使用阿里云百炼。", "文本可以分段发送，音频会逐段返回。"]:
            session.send_text(text)
        session.flush()  # Activa la síntesis del texto almacenado en búfer (no finaliza la entrada)
        session.stop()   # Finaliza la entrada y espera a que se devuelva el audio restante
        for chunk in session.audio_chunks():
            audio.write(chunk)

​

Mejorar la calidad de la síntesis

​

Idiomas y pronunciación

​

Control mediante instrucciones

请用荷兰话说，每个字都慢慢说

​

Dialectos

with client.audio.tts.connect(
    model="cosyvoice-v3-flash",
    voice="longanhuan_v3",
    parameters={"instruction": "请用河南话表达。"},  # Control mediante instrucciones
    format="mp3",
    sample_rate=24000,
) as session:
    session.send_text("叫你去买盐，你买回来一袋面，这不是弄啥嘞吗！")
    session.flush()

​

Etiquetas de emoción y sonidos no verbales

​

Ejemplos de uso

[excited]今天的天气真不错！[laughing]我们一起出去玩吧！

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

​

Etiquetas compatibles

​

Aplicar en producción

​

Cancelar tarea

​

Reutilización de conexiones WebSocket

​

Límites de tasa

​

Mejores prácticas de alta concurrencia

​

Modelos compatibles

​

Referencia de la API

• Qwen-Audio-TTS Referencia de la API
• CosyVoice Referencia de la API
• Qwen-TTS-Realtime Referencia de la API

• Qwen-Audio-TTS WebSocket
• CosyVoice WebSocket
• Qwen3-TTS WebSocket

​

FAQ

​

P: ¿Cómo soluciono problemas de audio silencioso al usar una voz clonada?

​

P: ¿Por qué la duración real del audio sintetizado difiere de la duración mostrada en el archivo WAV?

​

P: ¿Por qué no se reproduce el archivo de audio?

1. Audio guardado como un archivo completo (como xx.mp3)
   1. Consistencia del formato de audio: El formato de audio en los parámetros de solicitud debe coincidir con la extensión del archivo (por ejemplo, si el parámetro es wav, el archivo debe ser .wav).
   2. Compatibilidad del reproductor: Confirme que el reproductor admite el formato de audio y la frecuencia de muestreo.
2. Reproducción de audio en streaming
   1. Guarde el flujo de audio como un archivo completo e intente reproducirlo con un reproductor multimedia. Si el archivo no se reproduce, consulte el escenario 1 anterior.
   2. Si el archivo se reproduce correctamente, el problema reside en la implementación de reproducción por streaming. Confirme que el reproductor admita reproducción por streaming (como ffmpeg, pyaudio, AudioFormat o MediaSource).

​

P: ¿Por qué la reproducción del audio se entrecorta?

1. Verifique la tasa de envío de texto: Asegúrese de que el intervalo de envío sea razonable para evitar que el segmento de audio anterior termine antes de que llegue el siguiente texto.
2. Verificar el rendimiento de la función de callback:
   • Confirme que no existe lógica de bloqueo en la función de callback.
   • Las funciones callback se ejecutan en el hilo de WebSocket. Las operaciones de bloqueo afectan la recepción de datos. Escriba los datos de audio en un búfer separado y procéselos en otro hilo.
3. Verifique la estabilidad de la red: Las fluctuaciones de la red pueden causar interrupciones o retrasos en la transmisión de audio.

​

P: ¿Por qué tarda tanto la síntesis de voz?

​

P: ¿Cómo restrinjo una clave API únicamente al servicio de síntesis de voz (aislamiento de permisos)?