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:
- Qwen-Audio-TTS (Recomendado)
- CosyVoice
Os exemplos a seguir usam qwen-audio-3.1-tts-flash e a voz do sistema O áudio é salvo em
longanhuan_v3.1 na região Singapura para demonstrar a saída sem streaming e com streaming.- Saída sem streaming
- Saída com streaming
Python
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: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.
instruction="请讲上海话。" no objeto input da solicitação para sintetizar texto em chinês no dialeto de Xangai.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.
text, sem parâmetros adicionais.
Exemplos de uso
Este texto começa com uma interpretação animada, insere uma risada na posição indicada e continua a fala:
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.
| Tag | Descrição |
|---|---|
[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