Skip to main content

Synthèse vocale non temps réel

Convertissez un texte complet en parole via HTTP. Découvrez les fonctionnalités des modèles, les premiers appels et les moyens d’améliorer la synthèse.

Fonctionnalités

La synthèse vocale non temps réel reçoit un texte complet dans une seule requête HTTP et prend en charge les sorties sans flux et en flux SSE. La sortie sans flux renvoie l’audio complet une fois la synthèse terminée. La sortie en flux renvoie les données audio par fragments.
  • Langues et dialectes : choisissez un modèle et une voix adaptés à la langue cible, ou précisez le dialecte par une instruction. Consultez Dialectes.
  • Expression vocale : ajustez la diction avec des instructions en langage naturel ou insérez des balises d’émotion et de sons non verbaux. Consultez Contrôle par instructions et Balises d’émotion et de sons non verbaux.
  • Voix personnalisées : créez une voix à partir d’un échantillon audio avec le clonage vocal, ou d’une description avec la conception vocale.
  • Contrôle détaillé et formules : utilisez SSML et LaTeX pour contrôler les pauses et la prononciation ou convertir des formules en parole.
  • Les fonctionnalités disponibles dépendent du modèle et de la voix. Consultez leur périmètre dans la documentation correspondante.
  • Pour envoyer le texte progressivement, utilisez la synthèse vocale en temps réel.

Premiers pas

Obtenez une clé API dans la console et définissez la variable d’environnement DASHSCOPE_API_KEY. Installez la dépendance de l’exemple :
pip install requests
  • Qwen-Audio-TTS (Recommandé)
  • CosyVoice
Les exemples suivants utilisent qwen-audio-3.1-tts-flash et la voix système longanhuan_v3.1 dans la région Singapour pour illustrer les sorties sans flux et en flux.
  • Sortie sans flux
  • Sortie en flux
Python
import os
import requests

response = requests.post(
    'https://{WorkspaceId}.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)
L’audio est enregistré dans le fichier output.wav du répertoire courant.

Améliorer la qualité de synthèse

Langues et prononciation

Si des nombres, abréviations ou symboles sont mal prononcés, utilisez language_hints pour préciser la langue cible, ou hot_fix pour personnaliser la prononciation et remplacer du texte. Consultez les modèles compatibles et la configuration dans les références Qwen-Audio-TTS API ou CosyVoice API. Utilisez SSML pour contrôler les pauses, la lecture des nombres ou la prononciation des mots. Pour les modèles, voix, interfaces et balises compatibles avec Qwen-Audio-TTS et CosyVoice, consultez SSML et LaTeX.

Contrôle par instructions

Ajoutez instruction à l’objet input de la requête pour préciser la langue de synthèse et décrire le débit, l’émotion ou le style en langage naturel.
Pour créer une voix avec un genre, un âge ou un caractère vocal précis, ou consulter des conseils et exemples de description vocale, reportez-vous à la conception vocale.
  • Qwen-Audio-TTS
  • CosyVoice
Les voix système, clonées et conçues de qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus et qwen-audio-3.0-tts-flash acceptent toutes des instructions en langage naturel via instruction dans les requêtes de synthèse.Nous vous recommandons de préciser la langue de synthèse et l’effet souhaité dans instruction pour améliorer la qualité de synthèse. La langue spécifiée dans l’instruction doit correspondre à celle du texte à synthétiser. Par exemple, pour synthétiser du texte en néerlandais, définissez :
{"instruction": "Speak in Dutch, slowly and clearly."}

Dialectes

La synthèse dialectale permet de générer de la parole dans des dialectes chinois, tels que ceux du Henan ou du Sichuan. La méthode de sélection dépend du modèle et du type de voix.
  • Qwen-Audio-TTS
  • CosyVoice
  • Voix système : choisissez une voix adaptée au dialecte dans la liste Qwen-Audio-TTS. Une voix prenant directement en charge le dialecte ne nécessite aucun réglage supplémentaire. Pour les voix compatibles avec les instructions de dialecte, utilisez le paramètre de contrôle par instructions instruction.
    Pour les voix multilingues et dialectales de qwen-audio-3.1-tts-flash, vous pouvez également spécifier le dialecte avec language_hints. Consultez les paramètres des voix multilingues et dialectales.
  • Voix clonées : précisez le dialecte avec le paramètre de contrôle par instructions instruction.
  • Voix conçues : les dialectes ne sont pas pris en charge.
Pour les voix compatibles avec les instructions de dialecte, définissez instruction="请讲上海话。" dans l'objet input de la requête pour synthétiser du texte chinois en shanghaïen.
Qwen3-TTS utilise des voix système compatibles avec le dialecte cible. Consultez la liste des voix Qwen-TTS.

Balises d’émotion et de sons non verbaux

Modèles concernés : qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus et qwen-audio-3.0-tts-flash.
Les balises d’émotion et paralinguistiques contrôlent l’émotion et le style de la parole et insèrent des sons tels que des rires ou des soupirs à des positions précises. Écrivez les balises directement dans le texte à synthétiser, text, sans paramètre supplémentaire.

Exemples d’utilisation

Ce texte commence avec une diction enthousiaste, insère un rire à l’endroit indiqué, puis poursuit la parole :
[excited]What a beautiful day![laughing]Let us go outside and have some fun!
Ce texte passe à une diction enthousiaste dans la deuxième phrase :
[serious]Please pay attention to the safety instructions.[excited]Now, let us get started!

Balises prises en charge

  • Balises de contrôle
  • Balises de sons non verbaux
Une balise de contrôle définit l’émotion ou le style du texte qui suit jusqu’à la balise de contrôle suivante. Si une longue phrase est segmentée automatiquement, son effet reste limité au segment obtenu.
BaliseDescription
[sad]Triste
[amazed]Émerveillé
[deep and loud shouting]Cri grave et puissant
[trembling]Tremblant
[angry]En colère
[excited]Enthousiaste
[sarcastic]Sarcastique
[curious]Curieux
[like dracula]Diction de Dracula
[bored]Ennuyé
[tired]Fatigué
[scornful]Méprisant
[shouting]Cri
[asmr]Voix douce ASMR
[panicked]Paniqué
[mischievously]Espiègle
[empathetic]Empathique
[whispers]Chuchotement
[reluctantly]Réticent
[crying]Pleurs
[serious]Sérieux
[very slowly]Très lent
[very fast]Très rapide

Utilisation en production

Pour le téléchargement et le stockage audio, la compatibilité des formats et des lecteurs, la gestion de la concurrence et le dépannage, consultez Bonnes pratiques de synthèse vocale. Respectez les limites de débit du modèle pour la fréquence des requêtes et la concurrence.

Modèles pris en charge

  • Singapour
  • Chine (Pékin)
  • 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
Pour les voix système et les extraits audio, consultez les listes Qwen-Audio-TTS, CosyVoice et Qwen3-TTS. Une voix clonée ou conçue doit être utilisée avec le modèle cible indiqué à sa création.

Référence API