Descripción general de la síntesis de voz

​

Selección de modelo

Elija un modelo según las necesidades de su aplicación: interacción en tiempo real, producción de contenido o control detallado de la lectura.

Necesidad	Modelo recomendado	Funciones principales
Asistentes de voz, conversaciones en tiempo real y atención al cliente	qwen-audio-3.1-tts-flash	Diseñado para interacciones de baja latencia. Admite voces del sistema, clonación de voz, diseño de voz, instrucciones en lenguaje natural y etiquetas de emoción y sonidos no verbales.
Audiolibros, doblaje, voces de marca y producción de contenido	qwen-audio-3.1-tts-plus	Prioriza la calidad del audio, la naturalidad y los detalles expresivos. Admite voces del sistema, clonación de voz, diseño de voz y controles de expresión.

Para consultar los ID de cada familia de modelos, vea Modelos compatibles.

​

Selección de voz

Escuche las voces en Voice Plaza. Para consultar las voces del sistema de cada modelo, los valores de voice y las muestras de audio, vea las listas de voces de la siguiente tabla.

Fuente de voz	Preparación	Casos de uso	Documentación
Voz del sistema	Seleccione una voz existente. No se requiere una muestra de audio ni una descripción de la voz.	Atención al cliente, audiolibros y emisiones en los que una voz existente satisfaga las necesidades.	Voces Qwen-Audio-TTS voces CosyVoice voces Qwen-TTS
Voz clonada	Proporcione una muestra de audio de la persona cuya voz desea reproducir.	Reutilizar la voz de un portavoz o presentador, o crear asistentes personalizados y presentadores virtuales.	Clonación de voz
Voz diseñada	Describa la voz deseada, por ejemplo, “una voz femenina grave y cálida”.	Crear una voz de marca o de personaje de videojuego o animación cuando no haya una grabación disponible.	Diseño de voz

El diseño de voz crea una voz reutilizable. Para ajustar la velocidad, la emoción o el estilo en una sola solicitud de síntesis, utilice el control mediante instrucciones.

​

Modos de síntesis

Los modos de síntesis difieren en cómo se envía el texto y se recibe el audio: el texto puede enviarse completo o en segmentos sucesivos, y el audio puede recibirse como un resultado completo o conforme se genera. La salida de audio en streaming y la entrada de texto en streaming son capacidades distintas.

Modo	Entrada de texto	Salida de audio	Casos de uso
Sin streaming	Envíe el texto completo de una sola vez.	Obtenga el audio completo cuando finalice la síntesis.	Producción de contenido sin reproducción durante la síntesis.
Streaming unidireccional	Envíe el texto completo de una sola vez.	Reciba el audio en fragmentos durante la síntesis.	El texto está listo y la reproducción debe comenzar lo antes posible.
Streaming bidireccional	Envíe fragmentos de texto conforme estén disponibles.	Reciba el audio en fragmentos durante la síntesis.	Interacción en tiempo real con texto generado progresivamente, como la salida de un LLM.

• Síntesis no en tiempo real: Envíe el texto completo en una solicitud y reciba el audio como un resultado completo o en streaming. Consulte Síntesis de voz no en tiempo real.
• Síntesis en tiempo real: Envíe el texto en segmentos sucesivos, de forma continua o de una sola vez. Consulte Síntesis de voz en tiempo real. Para aplicaciones móviles y otros clientes interactivos en tiempo real, seleccione un protocolo disponible en la descripción general de Realtime API. AOQ (AI over QUIC) está optimizado para baja latencia y redes inestables, con cancelación de eco y supresión de ruido integradas.

​

Controles de síntesis

Además de elegir una voz, utilice parámetros, instrucciones o etiquetas para ajustar la voz sintetizada.

Efecto deseado	Método de control
Velocidad, tono y volumen	Configure los parámetros de síntesis correspondientes que ofrece el modelo.
Emoción, estilo y forma de hablar	Use instrucciones en lenguaje natural, como “hable con suavidad y más despacio”.
Emoción en fragmentos específicos, risas, respiración y otras expresiones	Agregue etiquetas de emoción y sonidos no verbales al texto.
Pronunciación, pausas y lectura de números	Use etiquetas SSML para controlar la lectura en detalle.
Lectura de fórmulas matemáticas	Exprese las fórmulas en LaTeX.

Para consultar los parámetros, las condiciones de compatibilidad y los ejemplos, seleccione la guía del modo de síntesis:

• Síntesis de voz no en tiempo real
• Síntesis de voz en tiempo real

​

Modelos compatibles

Seleccione la región para ver los ID de cada familia de modelos.

​

Idiomas y dialectos

Elija una voz compatible con el idioma o dialecto que desea sintetizar. Las siguientes tablas muestran la compatibilidad por familia de modelos y tipo de voz.