Skip to main content

Síntese de fala não em tempo real

Converta um texto completo em fala por HTTP. Conheça os recursos dos modelos, faça a primeira chamada e melhore a qualidade da síntese.

Recursos

A síntese de fala não em tempo real recebe o texto completo em uma única solicitação HTTP e oferece saída sem streaming ou com streaming por SSE. A saída sem streaming retorna o áudio completo após a conclusão da síntese. A saída com streaming retorna os dados de áudio em fragmentos.
  • Idiomas e dialetos: selecione um modelo e uma voz para o idioma de destino ou especifique um dialeto por instrução. Consulte Dialetos.
  • Expressividade: ajuste a interpretação com instruções em linguagem natural ou insira tags de emoção e sons não verbais. Consulte Controle por instruções e Tags de emoção e sons não verbais.
  • Vozes personalizadas: crie uma voz a partir de uma amostra de áudio com a clonagem de voz ou de uma descrição com o design de voz.
  • Controle detalhado e fórmulas: use SSML e LaTeX para controlar pausas e pronúncia ou converter fórmulas em fala.
  • Os recursos disponíveis variam conforme o modelo e a voz. Verifique o escopo na documentação de cada recurso.
  • Para enviar texto de forma incremental, use a síntese de fala em tempo real.

Primeiros passos

Obtenha uma chave de API no console e configure a variável de ambiente DASHSCOPE_API_KEY. Instale a dependência do exemplo:
pip install requests
  • Qwen-Audio-TTS (Recomendado)
  • CosyVoice
Os exemplos a seguir usam qwen-audio-3.1-tts-flash e a voz do sistema longanhuan_v3.1 na região Singapura para demonstrar a saída sem streaming e com streaming.
  • Saída sem streaming
  • Saída com 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)
O áudio é salvo em output.wav no diretório atual.

Melhorar a qualidade da síntese

Idiomas e pronúncia

Se números, abreviações ou símbolos forem pronunciados incorretamente, use language_hints para definir o idioma de destino ou hot_fix para personalizar a pronúncia e a substituição de texto. Consulte os modelos compatíveis e a configuração em Qwen-Audio-TTS API ou CosyVoice API. Use SSML para controlar pausas, a leitura de números ou a pronúncia de palavras. Para os modelos, vozes, interfaces e tags compatíveis com Qwen-Audio-TTS e CosyVoice, consulte SSML e LaTeX.

Controle por instruções

Adicione instruction ao objeto input da solicitação para especificar o idioma de síntese e descrever a velocidade, a emoção ou o estilo de fala em linguagem natural.
Para criar uma nova voz com gênero, idade ou características vocais específicas, ou consultar orientações e exemplos de descrições de voz, veja design de voz.
  • Qwen-Audio-TTS
  • CosyVoice
As vozes do sistema, clonadas e criadas por design de qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus e qwen-audio-3.0-tts-flash aceitam instruções em linguagem natural por meio de instruction nas solicitações de síntese.Recomendamos especificar o idioma de síntese e o efeito desejado em instruction para melhorar a qualidade da síntese. O idioma especificado na instrução deve corresponder ao idioma do texto a ser sintetizado. Por exemplo, ao sintetizar texto em holandês, defina:
{"instruction": "Speak in Dutch, slowly and clearly."}

Dialetos

A síntese de dialetos gera fala em dialetos chineses, como os de Henan ou Sichuan. A seleção do dialeto depende do modelo e do tipo de voz.
  • Qwen-Audio-TTS
  • CosyVoice
  • Vozes do sistema: selecione uma voz compatível com o dialeto de destino na lista Qwen-Audio-TTS. Vozes que oferecem o dialeto diretamente não exigem configurações adicionais. Para vozes compatíveis com instruções de dialeto, use o parâmetro de controle por instruções instruction.
  • Vozes clonadas: especifique o dialeto com o parâmetro de controle por instruções instruction.
  • Vozes criadas por design: dialetos não são compatíveis.
Para vozes compatíveis com instruções de dialeto, defina instruction="请讲上海话。" no objeto input da solicitação para sintetizar texto em chinês no dialeto de Xangai.
O Qwen3-TTS usa vozes do sistema compatíveis com o dialeto de destino. Consulte a lista de vozes Qwen-TTS.

Tags de emoção e sons não verbais

Aplica-se a qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus e qwen-audio-3.0-tts-flash.
As tags de emoção e paralinguísticas controlam a emoção e o estilo da fala e inserem sons, como risadas ou suspiros, em posições específicas. Escreva as tags diretamente no texto a ser sintetizado, text, sem parâmetros adicionais.

Exemplos de uso

Este texto começa com uma interpretação animada, insere uma risada na posição indicada e continua a fala:
[excited]What a beautiful day![laughing]Let us go outside and have some fun!
Este texto muda para uma interpretação animada na segunda frase:
[serious]Please pay attention to the safety instructions.[excited]Now, let us get started!

Tags compatíveis

  • Tags de controle
  • Tags de sons não verbais
Uma tag de controle define a emoção ou o estilo do texto seguinte até a próxima tag de controle. Se frases longas forem segmentadas automaticamente, o efeito ficará restrito ao segmento resultante.
TagDescrição
[sad]Triste
[amazed]Surpreso
[deep and loud shouting]Grito grave e forte
[trembling]Trêmulo
[angry]Irritado
[excited]Animado
[sarcastic]Sarcástico
[curious]Curioso
[like dracula]Interpretação de Drácula
[bored]Entediado
[tired]Cansado
[scornful]Desdenhoso
[shouting]Grito
[asmr]Voz suave de ASMR
[panicked]Em pânico
[mischievously]Travesso
[empathetic]Empático
[whispers]Sussurro
[reluctantly]Relutante
[crying]Choro
[serious]Sério
[very slowly]Muito lento
[very fast]Muito rápido

Aplicação em produção

Para download e armazenamento de áudio, compatibilidade de formatos e players, gerenciamento de concorrência e solução de problemas, consulte Práticas recomendadas para síntese de fala. Mantenha a frequência de solicitações e a concorrência dentro dos limites de taxa do modelo.

Modelos compatíveis

  • Singapura
  • China (Pequim)
  • 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
Para vozes do sistema e amostras de áudio, consulte as listas Qwen-Audio-TTS, CosyVoice e Qwen3-TTS. Uma voz clonada ou criada por design deve ser usada com o modelo de destino definido na criação.

Referência da API