Model Studio convertit le texte en parole à l’aide de voix système ou de voix personnalisées créées par clonage ou conception de voix. Vous pouvez également contrôler la vitesse, l’émotion, la prononciation et d’autres effets de synthèse.
Choisir un modèle
Choisissez un modèle selon les besoins de votre application : interaction en temps réel, production de contenu ou contrôle précis de la lecture.
| Besoin | Modèle recommandé | Fonctionnalités principales |
|---|---|---|
| Assistants vocaux, conversations en temps réel et service client | qwen-audio-3.1-tts-flash | Conçu pour les interactions à faible latence. Prend en charge les voix système, le clonage et la conception de voix, les instructions en langage naturel ainsi que les balises d’émotion et paralinguistiques. |
| Livres audio, doublage, voix de marque et production de contenu | qwen-audio-3.1-tts-plus | Privilégie la qualité audio, le naturel et les détails expressifs. Prend en charge les voix système, le clonage et la conception de voix ainsi que les contrôles expressifs. |
Choisir une voix
Écoutez les voix dans le Voice Plaza. Pour les voix système de chaque modèle, les valeurs de voice et les échantillons audio, consultez les listes de voix du tableau suivant.
| Source de voix | Préparation | Cas d’utilisation | Documentation |
|---|---|---|---|
| Voix système | Sélectionnez une voix existante. Aucun échantillon audio ni description de voix n’est nécessaire. | Service client, livres audio et diffusion de contenu lorsqu’une voix existante répond aux besoins. | |
| Voix clonée | Fournissez un échantillon audio du locuteur cible. | Réutiliser la voix d’un porte-parole ou d’un présentateur, ou créer des assistants personnalisés et des présentateurs virtuels. | Clonage de voix |
| Voix conçue | Décrivez la voix souhaitée, par exemple « une voix féminine grave et chaleureuse ». | Créer une voix de marque ou de personnage de jeu ou d’animation sans enregistrement disponible. | Conception de voix |
Modes de synthèse
Les modes de synthèse se distinguent par l’envoi du texte et la réception de l’audio : le texte peut être envoyé en une seule fois ou par segments successifs, et l’audio peut être renvoyé en un seul résultat ou au fur et à mesure de sa génération. La sortie audio en streaming et l’entrée de texte en streaming sont deux fonctionnalités distinctes.
| Mode | Entrée de texte | Sortie audio | Cas d’utilisation |
|---|---|---|---|
| Sans streaming | Envoyez le texte complet en une fois. | Récupérez l’audio complet une fois la synthèse terminée. | Production de contenu sans lecture pendant la synthèse. |
| Streaming unidirectionnel | Envoyez le texte complet en une fois. | Recevez l’audio par segments pendant la synthèse. | Le texte est prêt et la lecture doit démarrer dès que possible. |
| Streaming bidirectionnel | Envoyez les segments de texte à mesure qu’ils sont disponibles. | Recevez l’audio par segments pendant la synthèse. | Interaction en temps réel avec du texte généré progressivement, tel que la sortie d’un LLM. |
- Synthèse non temps réel: Envoyez le texte complet dans une seule requête et recevez l’audio sous forme de résultat complet ou de flux. Consultez Synthèse vocale non temps réel.
- Synthèse en temps réel: Envoyez le texte par segments successifs, en continu ou en une seule fois. Consultez Synthèse vocale en temps réel. Pour les applications mobiles et autres clients interactifs en temps réel, consultez la présentation de la Realtime API afin de choisir un protocole disponible. AOQ (AI over QUIC) est optimisé pour une faible latence et les réseaux instables, avec annulation d’écho et suppression du bruit intégrées.
Contrôles de synthèse
En plus du choix de la voix, utilisez des paramètres, des instructions ou des balises pour ajuster la synthèse.
| Effet souhaité | Méthode de contrôle |
|---|---|
| Vitesse, hauteur et volume | Définissez les paramètres de synthèse correspondants fournis par le modèle. |
| Émotion, style et manière de parler | Utilisez des instructions en langage naturel, par exemple « parlez doucement et plus lentement ». |
| Émotion localisée, rires, respiration et autres expressions | Ajoutez des balises d’émotion et paralinguistiques au texte. |
| Prononciation, pauses et lecture des nombres | Utilisez des balises SSML pour contrôler précisément la lecture. |
| Lecture de formules mathématiques | Exprimez les formules en LaTeX. |
Utilisation en production
Pour l’envoi de texte, la réception et la lecture audio, la gestion des connexions et des ressources de concurrence, l’évaluation des performances et le dépannage, consultez Bonnes pratiques de synthèse vocale.
Modèles pris en charge
Sélectionnez la région pour afficher les ID de chaque famille de modèles.
- Singapour
- 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
- CosyVoice: cosyvoice-v3-plus, cosyvoice-v3-flash
- Qwen3-TTS: qwen3-tts-flash-realtime, qwen3-tts-flash
Langues et dialectes
Choisissez une voix qui prend en charge la langue ou le dialecte à synthétiser. Les tableaux suivants présentent les langues et dialectes par famille de modèles et type de voix.
- Qwen-Audio-TTS
- CosyVoice
- Qwen3-TTS
| Type de voix | Langues et dialectes de la synthèse |
|---|---|
| Voix système | prennent en charge notamment le chinois et l’anglais. La disponibilité varie selon le modèle et la voix. Consultez la liste des voix Qwen-Audio-TTS. |
| Voix clonée | chinois (mandarin, cantonais, Chongqing, Nord-Est, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghaïen, Sichuan, Yunnan), anglais, japonais, coréen, russe, français, allemand, portugais, thaï, indonésien, vietnamien, espagnol, italien, malais, philippin et arabe (dialectes configurables via le contrôle par instructions)Autres langues (prises en charge par qwen-audio-3.1-tts-flash): bulgare, néerlandais, hongrois, roumain, danois, croate, grec, tchèque, norvégien, suédois, hindi, slovaque, finnois, ourdou, serbe, espagnol du Mexique, lituanien, letton, turc, persan, hébreu, mongol, slovène, azerbaïdjanais, polonais, catalan, khmer, portugais brésilien, lao, géorgien, afrikaans, népalais, biélorusse, malayalam, luxembourgeois, albanais, tamoul, cingalais, télougou, estonien, cebuano, bosniaque, birman, arménien, latin, islandais, maltais, swahili, kazakh, créole seychellois, ukrainien. |
| Voix conçue | Chinois (mandarin), anglais |