Skip to main content

Visão geral da síntese de fala

O Model Studio converte texto em fala usando vozes do sistema ou vozes personalizadas criadas por clonagem ou design de voz. Também é possível controlar velocidade, emoção, pronúncia e outros efeitos de síntese.

Seleção de modelo

Escolha um modelo conforme as necessidades da aplicação: interação em tempo real, produção de conteúdo ou controle detalhado da leitura.
NecessidadeModelo recomendadoPrincipais recursos
Assistentes de voz, conversas em tempo real e atendimento ao clienteqwen-audio-3.1-tts-flashDesenvolvido para interações de baixa latência. Oferece vozes do sistema, clonagem de voz, design de voz, instruções em linguagem natural e tags de emoção e paralinguísticas.
Audiolivros, dublagem, vozes de marca e produção de conteúdoqwen-audio-3.1-tts-plusPrioriza a qualidade do áudio, a naturalidade e os detalhes expressivos. Oferece vozes do sistema, clonagem de voz, design de voz e controles de expressão.
Para os IDs de cada família de modelos, consulte Modelos compatíveis.

Seleção de voz

Ouça as vozes no Voice Plaza. Para as vozes de sistema de cada modelo, os valores de voice e as amostras de áudio, consulte as listas de vozes na tabela a seguir.
Fonte da vozPreparaçãoCasos de usoDocumentação
Voz do sistemaSelecione uma voz existente. Não é necessário fornecer uma amostra de áudio nem uma descrição da voz.Atendimento ao cliente, audiolivros e transmissões em que uma voz existente atenda às necessidades.
Voz clonadaForneça uma amostra de áudio do locutor desejado.Reutilizar a voz de um porta-voz ou apresentador, ou criar assistentes personalizados e apresentadores virtuais.Clonagem de voz
Voz projetadaDescreva a voz desejada, por exemplo, “uma voz feminina grave e acolhedora”.Criar uma voz de marca ou de personagem de jogo ou animação quando não há uma gravação disponível.Design de voz
O design de voz cria uma voz reutilizável. Para ajustar a velocidade, a emoção ou o estilo em uma única solicitação de síntese, use o controle por instruções.

Modos de síntese

Os modos de síntese diferem na forma de enviar o texto e receber o áudio: o texto pode ser enviado de uma só vez ou em segmentos sucessivos, e o áudio pode ser retornado como um resultado completo ou durante sua geração. A saída de áudio em streaming e a entrada de texto em streaming são capacidades distintas.
ModoEntrada de textoSaída de áudioCasos de uso
Sem streamingEnvie o texto completo de uma só vez.Obtenha o áudio completo após o término da síntese.Produção de conteúdo sem reprodução durante a síntese.
Streaming unidirecionalEnvie o texto completo de uma só vez.Receba o áudio em partes durante a síntese.O texto está pronto e a reprodução deve começar o mais cedo possível.
Streaming bidirecionalEnvie segmentos de texto conforme ficarem disponíveis.Receba o áudio em partes durante a síntese.Interações em tempo real com texto gerado gradualmente, como a saída de um LLM.
  • Síntese não em tempo real: Envie o texto completo em uma solicitação e receba o áudio como resultado completo ou em streaming. Consulte Síntese de fala não em tempo real.
  • Síntese em tempo real: Envie o texto em segmentos sucessivos, continuamente ou de uma só vez. Consulte Síntese de fala em tempo real. Para aplicações móveis e outros clientes interativos em tempo real, selecione um protocolo disponível na Visão geral da Realtime API. O AOQ (AI over QUIC) é otimizado para baixa latência e redes instáveis, com cancelamento de eco e supressão de ruído integrados.

Controles de síntese

Além de selecionar uma voz, use parâmetros, instruções ou tags para ajustar a fala sintetizada.
Efeito desejadoMétodo de controle
Velocidade, tom e volumeDefina os parâmetros de síntese correspondentes fornecidos pelo modelo.
Emoção, estilo e forma de falarUse instruções em linguagem natural, como “fale suavemente e mais devagar”.
Emoção em trechos específicos, risadas, respiração e outras expressõesAdicione tags de emoção e paralinguísticas ao texto.
Pronúncia, pausas e leitura de númerosUse tags SSML para controlar a leitura em detalhes.
Leitura de fórmulas matemáticasExpresse as fórmulas em LaTeX.
Para os parâmetros, as condições de compatibilidade e os exemplos, selecione o guia do modo de síntese:

Aplicação em produção

Para envio de texto, recepção e reprodução de áudio, gerenciamento de conexões e recursos de concorrência, avaliação de desempenho e solução de problemas, consulte Práticas recomendadas para síntese de fala.

Modelos compatíveis

Selecione a região para ver os IDs de cada família de modelos.
  • Singapura
  • 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
  • CosyVoice: cosyvoice-v3-plus, cosyvoice-v3-flash
  • Qwen3-TTS: qwen3-tts-flash-realtime, qwen3-tts-flash

Idiomas e dialetos

Escolha uma voz compatível com o idioma ou dialeto que deseja sintetizar. As tabelas a seguir apresentam a compatibilidade por família de modelos e tipo de voz.
  • Qwen-Audio-TTS
  • CosyVoice
  • Qwen3-TTS
Tipo de vozIdiomas e dialetos da fala sintetizada
Voz do sistemaoferecem idiomas como chinês e inglês. A disponibilidade varia conforme o modelo e a voz. Consulte a lista de vozes Qwen-Audio-TTS.
Voz clonadaChinês (Mandarim, Cantonês, Chongqing, Nordeste, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Xangai, Sichuan, Yunnan), Inglês, Japonês, Coreano, Russo, Francês, Alemão, Português, Tailandês, Indonésio, Vietnamita, Espanhol, Italiano, Malaio, Filipino e Árabe (dialetos configuráveis via controle por instruções)Outros idiomas (compatíveis com qwen-audio-3.1-tts-flash): búlgaro, holandês, húngaro, romeno, dinamarquês, croata, grego, tcheco, norueguês, sueco, hindi, eslovaco, finlandês, urdu, sérvio, espanhol (México), lituano, letão, turco, persa, hebraico, mongol, esloveno, azerbaijano, polonês, catalão, khmer, português (Brasil), laosiano, georgiano, africâner, nepalês, bielorrusso, malaiala, luxemburguês, albanês, tâmil, cingalês, télugo, estoniano, cebuano, bósnio, birmanês, armênio, latim, islandês, maltês, suaíli, cazaque, crioulo francês seichelense, ucraniano.
Voz projetadaChinês (mandarim), inglês