Qwen-Audio-TTS/CosyVoice speech synthesis WebSocket API

Acesse o service de síntese de fala em tempo real Qwen-Audio-TTS/CosyVoice por meio de uma conexão WebSocket. Este tópico aborda os endpoints do service, os cabeçalhos de requisição e o fluxo de interação entre cliente e servidor. O SDK do DashScope oferece suporte apenas a Java e Python. Para outras linguagens, utilize uma conexão WebSocket. Guia do usuário: Speech synthesis contém detalhes sobre os modelos e orientações para seleção. Limites de taxa: As chamadas aos modelos estão sujeitas a limites de taxa. Quando um limite é excedido, o servidor retorna o erro Requests rate limit exceeded, please try again later. Reduza a taxa de requisições ou a concorrência e tente novamente. Para consultar os limites de taxa de cada modelo, consulte Rate limiting.

​

Endpoints do service

URL WebSocket fixa:

​

Cabeçalhos de requisição

Inclua os seguintes cabeçalhos na requisição:

Parâmetro	Tipo	Obrigatório	Descrição
Authorization	string	Sim	Formato: Bearer <API key>. Substitua <API key> pela sua chave de API.
user-agent	string	Não	Identificador do cliente para rastreamento de requisições.
X-DashScope-WorkSpace	string	Não	workspace ID do Alibaba Cloud Model Studio.
X-DashScope-DataInspection	string	Não	Ative a inspeção de dados. Padrão: enable. Deixe sem definição, a menos que seja necessário.

​

Fluxo de interação

Para obter detalhes sobre eventos do lado do cliente e do servidor, consulte Client events e Server-side events. Sequência de interação entre cliente e servidor:

1. Estabeleça a conexão: Crie uma conexão WebSocket com o servidor.
2. Inicie uma tarefa: Envie um evento execute-task.
3. Aguarde a confirmação: Receba um evento task-started do servidor antes de prosseguir.
4. Envie o texto para síntese: Envie um ou mais eventos continue-task contendo o texto a ser sintetizado, em sequência. O servidor retorna um evento result-generated com um fluxo de áudio após cada frase completa. Para verificar os limites de tamanho do texto, consulte o campo text no evento continue-task.
   Envie vários eventos continue-task com segmentos de texto em ordem. O servidor divide o texto em frases:

   • Frases completas são sintetizadas e retornadas como áudio imediatamente.
   • Frases incompletas ficam em buffer até serem concluídas.

   Um evento finish-task força a síntese de todo o conteúdo armazenado em buffer.
5. Receba o áudio: Leia o fluxo de áudio do canal binary.
6. Encerre a tarefa: Após enviar todo o texto, envie um evento finish-task e continue recebendo o áudio. Esta etapa é obrigatória — ignorá-la pode resultar em áudio incompleto.
7. Receba a conclusão da tarefa: Um evento task-finished enviado pelo servidor confirma que a tarefa foi concluída.
8. Feche a conexão: Desconecte o WebSocket.

Reutilize a conexão WebSocket entre tarefas em vez de criar uma nova para cada uma delas.