即時語音合成

​

功能介紹

• 多語言與方言：根據目標語言選擇模型和音色，也可透過指令指定方言。參見方言。
• 表現力控制：透過自然語言指令調整語速、情感等表達，或在文字中插入情感與副語言標籤。參見指令控制和情感與副語言標籤。
• 自訂音色：透過聲音複製從音訊樣本建立音色，或透過聲音設計使用文字描述建立音色。
• 精細控制與公式朗讀：使用 SSML 與 LaTeX控制停頓、發音等效果，或將公式轉換為語音。
• 音訊控制：可調節語速、語調、音量和位元速率，輸出 PCM、WAV、MP3、Opus 等主流音訊格式，最高支援 48 kHz 取樣率。具體取值與支援範圍以對應 API 參數說明為準。

​

開始使用

• 取得 API Key並設定環境變數 DASHSCOPE_API_KEY。使用與範例地區對應的 API Key。
• 使用業務空間專屬網域時，將程式碼中的 {WorkspaceId} 替換為該地區的業務空間 ID。
• 安裝 DashScope SDK，選擇 Python 或 Java 範例。

import os
import dashscope
from dashscope.audio.tts_v2 import SpeechSynthesizer, ResultCallback, AudioFormat

dashscope.api_key = os.environ["DASHSCOPE_API_KEY"]
dashscope.base_websocket_api_url = "wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference"

with open("output.mp3", "wb") as audio:
    class Callback(ResultCallback):
        def on_data(self, data: bytes):
            audio.write(data)

        def on_error(self, message):
            print(f"Synthesis failed: {message}")

    synthesizer = SpeechSynthesizer(
        model="qwen-audio-3.1-tts-flash",
        voice="longanhuan_v3.1",
        format=AudioFormat.MP3_24000HZ_MONO_256KBPS,
        callback=Callback(),
    )
    for text in ["你好，欢迎使用阿里云百炼。", "文本可以分段发送，音频会逐段返回。"]:
        synthesizer.streaming_call(text)
    synthesizer.streaming_complete()

import os
import dashscope
from dashscope.audio.tts_v2 import SpeechSynthesizer, ResultCallback, AudioFormat

dashscope.api_key = os.environ["DASHSCOPE_API_KEY"]
dashscope.base_websocket_api_url = "wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference"

with open("output.mp3", "wb") as audio:
    class Callback(ResultCallback):
        def on_data(self, data: bytes):
            audio.write(data)

        def on_error(self, message):
            print(f"Synthesis failed: {message}")

    synthesizer = SpeechSynthesizer(
        model="cosyvoice-v3-flash",
        voice="longanyang",
        format=AudioFormat.MP3_24000HZ_MONO_256KBPS,
        callback=Callback(),
    )
    for text in ["你好，欢迎使用阿里云百炼。", "文本可以分段发送，音频会逐段返回。"]:
        synthesizer.streaming_call(text)
    synthesizer.streaming_complete()

​

合成效果最佳化

​

語言與發音

​

指令控制

请用非常缓慢的语速说话，每个字都慢慢说。

​

方言

synthesizer = SpeechSynthesizer(
    model="cosyvoice-v3-flash",
    voice="longanhuan_v3",
    instruction="请用河南话表达。",
    format=AudioFormat.MP3_24000HZ_MONO_256KBPS,
    callback=Callback(),
)
synthesizer.streaming_call("叫你去买盐，你买回来一袋面，这不是弄啥嘞吗！")
synthesizer.streaming_complete()

​

情感與副語言標籤

​

使用範例

[excited]今天的天气真不错！[laughing]我们一起出去玩吧！

[serious]请注意安全事项。[excited]好了，现在让我们开始吧！

​

支援標籤

​

應用於生產環境

​

取消任務

​

WebSocket 連線重用

​

模型限流

​

高並發最佳實務

​

支援模型

​

API 參考

• 即時語音合成-Qwen-Audio-TTS API參考
• 即時語音合成-CosyVoice API參考
• 即時語音合成-千問API參考
• AOQ用戶端API（適用於 CosyVoice 系列模型）

• Qwen-Audio-TTS WebSocket
• CosyVoice WebSocket
• Qwen3-TTS WebSocket

​

常見問題

​

使用複刻音色產生的音頻無聲音如何排查？

​

為什麼語音合成的實際時間長度與 WAV 檔案顯示的時間長度不一致？

​

為什麼音頻無法播放？

1. 音頻儲存為完整檔案（如 xx.mp3）的情況
   1. 音頻格式一致性：請求參數中的音頻格式須與檔案尾碼一致（如參數為 wav 則檔案須為 .wav）。
   2. 播放器相容性：確認播放器支援該音訊格式和採樣率。
2. 流式播放音訊情況
   1. 將音頻流儲存為完整檔案，嘗試用播放器播放。如果檔案無法播放，請參考情境 1 的排查方法。
   2. 如果檔案可正常播放，則問題在流式播放實現。請確認播放器支援流式播放（如 ffmpeg、pyaudio、AudioFormat、MediaSource 等）。

​

為什麼音頻播放卡頓？

1. 檢查文本發送速度：確保發送間隔合理，避免上段音頻播完後下段文本尚未到達。
2. 檢查回呼函數效能：
   • 確認回呼函數中無阻塞性商務邏輯。
   • 回調運行在 WebSocket 線程，阻塞會影響資料接收。建議將音頻資料寫入獨立緩衝區，在其他線程中處理。
3. 檢查網路穩定性：網路波動可能導致音頻傳輸中斷或延遲。

​

語音合成耗時較長是什麼原因？

​

如何限制 API Key 僅用於語音合成服務（許可權隔離）？