Skip to main content

Sintesis suara non-real-time

Konversikan teks lengkap menjadi ucapan melalui HTTP. Pelajari fitur model, panggilan pertama, dan cara meningkatkan kualitas sintesis.

Fitur

Sintesis ucapan non-real-time menerima teks lengkap dalam satu permintaan HTTP serta mendukung keluaran non-streaming dan streaming SSE. Keluaran non-streaming mengembalikan audio lengkap setelah sintesis selesai. Keluaran streaming mengembalikan data audio secara bertahap.
  • Bahasa dan dialek: Pilih model dan suara untuk bahasa tujuan, atau tentukan dialek melalui instruksi. Lihat Dialek.
  • Ekspresi ucapan: Sesuaikan cara berbicara dengan instruksi bahasa alami atau sisipkan tag emosi dan nonverbal. Lihat Kontrol instruksi dan Tag emosi dan nonverbal.
  • Suara kustom: Buat suara dari sampel audio melalui kloning suara, atau dari deskripsi teks melalui desain suara.
  • Kontrol terperinci dan rumus: Gunakan SSML dan LaTeX untuk mengatur jeda dan pelafalan atau mengubah rumus menjadi ucapan.
  • Pemfilteran Markdown: Ubah konten Markdown, seperti tabel, menjadi teks yang sesuai untuk dibacakan. Lihat Pemfilteran Markdown.
  • Fitur yang didukung berbeda menurut model dan suara. Periksa cakupannya pada dokumentasi fitur terkait.
  • Untuk mengirim teks secara bertahap, gunakan sintesis ucapan real-time.

Mulai menggunakan

Dapatkan API key di konsol dan atur variabel lingkungan DASHSCOPE_API_KEY. Instal dependensi contoh:
pip install requests
  • Qwen-Audio-TTS (Direkomendasikan)
  • CosyVoice
Contoh berikut menggunakan qwen-audio-3.1-tts-flash dan suara sistem longanhuan_v3.1 di wilayah Singapura untuk menunjukkan keluaran non-streaming dan streaming.
  • Keluaran non-streaming
  • Keluaran streaming
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)
Audio disimpan sebagai output.wav di direktori saat ini.

Meningkatkan kualitas sintesis

Bahasa dan pelafalan

Jika angka, singkatan, atau simbol dilafalkan tidak sesuai harapan, gunakan language_hints untuk menentukan bahasa tujuan sintesis, atau hot_fix untuk menyesuaikan pelafalan dan penggantian teks. Untuk model yang didukung dan konfigurasinya, lihat Qwen-Audio-TTS API atau CosyVoice API. Gunakan SSML untuk mengontrol jeda, pembacaan angka, atau pelafalan kata. Untuk model, suara, antarmuka, dan tag yang didukung Qwen-Audio-TTS dan CosyVoice, lihat SSML dan LaTeX.

Pemfilteran Markdown

Saat menyintesis konten Markdown yang memuat tabel atau tautan, tetapkan enable_markdown_filter ke true untuk mengubah Markdown menjadi teks yang sesuai untuk dibacakan. Qwen-Audio-TTS dan CosyVoice mendukung fitur ini, kecuali cosyvoice-v2. Untuk konfigurasi, lihat API Qwen-Audio-TTS dan API CosyVoice.

Kontrol instruksi

Tambahkan instruction ke objek input pada permintaan untuk menentukan bahasa sintesis serta mendeskripsikan kecepatan, emosi, atau gaya bicara dalam bahasa alami.
Untuk membuat suara baru dengan gender, usia, atau karakter vokal tertentu, atau membaca panduan dan contoh penulisan deskripsi suara, lihat desain suara.
  • Qwen-Audio-TTS
  • CosyVoice
Suara sistem, hasil kloning, dan hasil desain untuk qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus, dan qwen-audio-3.0-tts-flash semuanya mendukung instruksi bahasa alami melalui instruction dalam permintaan sintesis.Sebaiknya tentukan bahasa sintesis dan efek yang diinginkan dalam instruction untuk meningkatkan kualitas sintesis. Bahasa yang ditentukan dalam instruksi harus sama dengan bahasa teks yang akan disintesis. Misalnya, untuk menyintesis teks berbahasa Belanda, atur:
{"instruction": "Speak in Dutch, slowly and clearly."}

Dialek

Sintesis dialek menghasilkan ucapan dalam dialek Mandarin seperti Henan atau Sichuan. Cara memilih dialek bergantung pada model dan jenis suara.
  • Qwen-Audio-TTS
  • CosyVoice
  • Suara sistem: Pilih suara yang mendukung dialek tujuan dari daftar suara Qwen-Audio-TTS. Suara yang mendukung dialek secara langsung tidak memerlukan pengaturan tambahan. Untuk suara yang mendukung instruksi dialek, gunakan parameter kontrol instruksi instruction.
    Untuk suara multibahasa dan dialek pada qwen-audio-3.1-tts-flash, Anda juga dapat menggunakan language_hints untuk menentukan dialek. Lihat pengaturan suara multibahasa dan dialek.
  • Suara hasil kloning: Tentukan dialek melalui parameter kontrol instruksi instruction.
  • Suara hasil desain: Dialek belum didukung.
Untuk suara yang mendukung instruksi dialek, tetapkan instruction="请讲上海话。" di objek input permintaan untuk menyintesis teks bahasa Mandarin dalam dialek Shanghai.
Qwen3-TTS menggunakan suara sistem yang mendukung dialek tujuan. Lihat daftar suara Qwen3-TTS.

Tag emosi dan nonverbal

Berlaku untuk qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus, dan qwen-audio-3.0-tts-flash.
Tag emosi dan paralinguistik mengontrol emosi serta gaya ucapan dan menyisipkan suara seperti tawa atau desahan pada posisi tertentu. Tulis tag langsung dalam teks yang akan disintesis, text, tanpa parameter tambahan.

Contoh penggunaan

Teks berikut dimulai dengan nada antusias, menyisipkan tawa di posisi tertentu, lalu melanjutkan ucapan:
[excited]What a beautiful day![laughing]Let us go outside and have some fun!
Teks berikut beralih ke nada antusias pada kalimat kedua:
[serious]Please pay attention to the safety instructions.[excited]Now, let us get started!

Tag yang didukung

  • Tag kontrol
  • Tag nonverbal
Tag kontrol mengatur emosi atau gaya teks berikutnya hingga tag kontrol selanjutnya. Jika kalimat panjang disegmentasi otomatis, efeknya dibatasi oleh segmen teks yang dihasilkan.
TagDeskripsi
[sad]Sedih
[amazed]Kagum
[deep and loud shouting]Teriakan berat dan lantang
[trembling]Gemetar
[angry]Marah
[excited]Antusias
[sarcastic]Sarkastis
[curious]Penasaran
[like dracula]Gaya Dracula
[bored]Bosan
[tired]Lelah
[scornful]Meremehkan
[shouting]Berteriak
[asmr]Suara ASMR lembut
[panicked]Panik
[mischievously]Jahil
[empathetic]Berempati
[whispers]Berbisik
[reluctantly]Enggan
[crying]Menangis
[serious]Serius
[very slowly]Sangat lambat
[very fast]Sangat cepat

Terapkan di produksi

Untuk pengunduhan dan penyimpanan audio, kompatibilitas format dan pemutar, pengelolaan konkurensi, serta pemecahan masalah, lihat Praktik terbaik sintesis suara. Pastikan frekuensi permintaan dan konkurensi tetap dalam batas laju model.

Model yang didukung

  • Singapura
  • Tiongkok (Beijing)
  • 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
Untuk suara sistem dan sampel audio, lihat daftar suara Qwen-Audio-TTS, CosyVoice, dan Qwen3-TTS. Gunakan suara hasil kloning atau desain dengan model tujuan yang ditentukan saat suara dibuat.

Referensi API