Skip to main content
模型体验

音频生成

通过文本描述和参考音频,一次生成语音、音效与环境音,构建多人对话、播客等完整声音场景。本文介绍效果示例及提示词写法。

适用场景

音频生成不仅将文字转换为语音,还可以一次生成语音、音效和环境音,构建完整的声音场景:
  • 语音与对话:单人旁白、多人对话、播客、有声书和广播剧。
  • 综合声音场景:为台词搭配雨声、海浪声或游戏场景音效。
只需将固定文本转换为人声时,也可以使用语音合成。需要围绕一个场景同时描述人物和其他声音时,可以使用音频生成。

效果示例

以下示例展示不同场景的提示词和生成效果。同一提示词多次生成的结果可能不同。
场景提示词效果
播客
播客节目,两位主播闲聊。主播1(成年男性,嗓音低沉,略带沙哑,吐字清晰,语速略偏快,播客腔)语调平缓地说:“我是觉得,旅行这件事吧,不是说去多远的地方才算数,对吧?就是说,哪怕是在城市里走走,也是一种放松。所以就是说。”到这里稍微停顿,略微加重语气肯定道:“这一次去杭州,我主要想的就是想慢下来,就去了。”主播1语气略微提高,以稍微惊讶的腔调和叙事的口吻说道:“我跟你讲,去了之后其实我是有点,有点惊讶的。大家可以看那期vlog,我真的挺惊讶,因为我们特地挑了个小雨天。那天还下着蒙蒙细雨。”这句话中“特地”两个字被加重说了出来。主播2(年轻女性,嗓音偏御,略哑,略微低沉)简短附和道:“是。”主播1恢复平缓语气接着说:“然后我们两个人就说,欸,下雨天,应该就没什么人了。”说到这里主播2笑了一声,主播1继续:“我们就想说,哎,就这样逛。”说到这里主播1有略微吞口水的声音,继续说道:“结果去了之后人还是很多,我讲心里话,人还是很多。”主播2用肯定的语气简短地说:“是。”主播1语气略微偏高,以解释的口吻说道:“但是惠子跟我说,这个跟节假日比,人已经少太多太多了。因为我们当时连算上走路、进园、排队,可能也就花了十五二十分钟。”
播客节目,情感对谈。主播(三十岁左右女性,嗓音温柔,略哑,语速缓慢,有亲和力)语调平缓地说:“我不知道大家有没有这种感觉,就是,有些话,你对最亲近的人,反而说不出口,对吧?就是说,越是在乎,越是小心翼翼。所以就是说。”到这里稍微停顿,略微加重语气道:“这一次跟我妈通电话,我其实,犹豫了很久。”主播语气略微提高,以有点感慨、叙事的口吻说道:“我跟你讲,电话接通的那一刻,我其实是有点,有点鼻酸的。那天是我离家整整一年的那天。”这句话里“整整一年”被加重。嘉宾(二十五岁女性,嗓音清澈,偏软,语速慢)轻轻地附和:“嗯,我懂。”主播恢复平缓语气接着说:“然后我就听到她那头,欸,还在厨房忙活的声音。”说到这里嘉宾轻轻笑了一声,主播继续:“我就突然,什么都不想说了,就想听她唠叨。”说到这里主播有轻微的吸气声,继续:“结果聊了半个小时,全是些鸡毛蒜皮,可我讲心里话,那是我这周最安心的半小时。”嘉宾用温柔肯定的语气说:“是,这就是家吧。”
有声书
小说片段多角色配音,场景为初冬的咖啡厅。背景声:窗外细雨轻敲玻璃。旁白(28-30岁女性,温柔沉静、略带文艺感与淡淡怅惘,语速舒缓,有画面感);角色A宁艺卓(22岁女性,明亮爽利、语速偏快,带点俏皮调侃,直来直去);角色B金旼炡(22岁女性,轻柔温和、偏安静,语速慢,声音带一丝克制与不易察觉的忧伤)。旁白:"初冬的雨下得不大。金旼炡坐在咖啡厅靠窗的位置,手里的咖啡已经凉了。对面的宁艺卓撑着下巴看她,看了整整十分钟,最后终于忍不住开口。"角色A宁艺卓:"你到底还要喜欢她多久?"旁白:"金旼炡动作一顿,没有回答。宁艺卓翻了个白眼。"角色A宁艺卓:"十二年。金旼炡,十二年了。"旁白:"金旼炡低头搅了搅咖啡,轻声说:"角色B金旼炡:"也没有那么久。"角色A宁艺卓(差点笑出来):"没有?从小学到现在,你跟我说没有那么久?"旁白:"金旼炡终于笑了,只是笑容很浅。她当然记得,记得第一次见到刘知珉的时候。"
小说片段多角色配音,场景为深夜的居民楼天台,两位多年好友靠着栏杆,喝着啤酒聊天。背景声:远处城市的低鸣、晚风声、易拉罐轻碰声。旁白(30岁女性,沉静、有故事感,语速舒缓);角色A阿哲(28岁男性,嗓音低沉、略带疲惫但真诚,语速偏慢);角色B大刘(28岁男性,嗓音爽朗、乐观、中气足,语速快)。旁白:"城市的灯在脚下连成一片。阿哲灌了一口酒,忽然开口。"角色A阿哲:"你说,我们是不是把日子过成了当年最讨厌的样子?"角色B大刘:"怎么突然这么丧。"角色A阿哲:"今天开会,我居然会打官腔了。"角色B大刘(笑):"那叫成熟。"角色A阿哲:"成熟……还是磨平了?"旁白:"大刘没立刻回答,碰了碰他的罐子。"角色B大刘:"管它呢。至少今晚,咱俩还是当年那两个小子。"旁白:"夜风里,两个人都笑了。"
合租屋的客厅里,两位室友搬家前夜坐在打包好的纸箱中间,聊着未来。背景声:纸箱轻碰声、深夜的安静、偶尔的轻笑。旁白(28岁女性,温柔、略带怅惘,语速舒缓);角色A阿宁(25岁女性,嗓音温柔、带点不舍,语速偏慢);角色B可可(25岁女性,嗓音爽朗、重感情,语速偏快)。旁白:"客厅堆满了纸箱,两个人坐在中间,像坐在三年的回忆里。"角色A阿宁:"明天之后,就没人半夜陪你吃泡面了。"角色B可可:"说得好像我多稀罕似的。"角色A阿宁:"上次是谁抢我最后一口汤的?"角色B可可(笑):"那是给你面子。"旁白:"笑着笑着,两个人都安静了。"角色A阿宁(轻声):"以后……也要常联系啊。"角色B可可:"废话。"旁白:"可可别过头,偷偷红了眼眶。"
广播剧
雨中告白广播剧。男主(27岁,气喘、淋着雨、真挚):“我找了你整整三条街!这句话我今天必须说——我喜欢你,从很久很久以前就开始了!”女主(25岁,惊讶、声音发颤):“你……你先过来,雨这么大,你会生病的……”背景声:倾盆雨声、偶尔的雷鸣。
海边场景对话。角色A(26岁女性,放松、带笑):“你听,海浪的声音,是不是把所有烦心事都冲走了?”角色B(28岁男性,惬意、慵懒):“嗯……真想就这么一直坐着,什么都不干。”背景声:持续的海浪拍岸声、轻柔海风。
游戏配音
游戏世外高人台词。说话人:80岁老者,苍老、悠远、仙风道骨、语速缓慢的嗓音。情绪:超然、点拨。台词:“年轻人,莫急。剑法之妙,不在招式,而在心境。心若止水,万物皆可为剑。你,可悟了?”
游戏NPC台词配音,场景为村口大树下,老村长拄着拐杖,给玩家交代任务。背景声:乡村的鸡鸣犬吠、风吹树叶的沙沙声、远处孩童嬉闹。NPC老村长(70岁男性,嗓音苍老、缓慢、慈祥又透着忧心,语速很慢)叮嘱道:"孩子啊,你来得正好。后山那边,昨天闹起了妖怪,闹得村里人心惶惶的。你本事大,帮我去瞧一瞧,到底是个什么东西在作怪。村里人,都指望你了。"
游戏战斗场景NPC台词配音,场景为战场边缘的临时救护点,一位军医在混乱中抢救伤员、大声呼喊。背景声:远处的喊杀声、伤兵的呻吟声、布料撕扯声。NPC军医(35岁女性,嗓音急切、坚定、透着焦急与关切,语速快)喊道:"快!把伤员抬下来!这边还有一个,撑住,别睡过去!担架——担架在哪?按住伤口,军医马上就到,都给我挺住!"

编写提示词

将需要的声音写入一段文本描述,区分台词和场景指令。
描述要素写法示例
创作任务“两位主播的播客开场”“雨中对话的广播剧片段”
人物及音色“角色A为低沉男声,角色B为明亮女声”
台词使用引号标记台词,并注明说话人
表达方式“轻声说”“语气惊讶”“略作停顿后继续”
背景与音效“窗外有雨声,室内传来轻微的翻书声”
声音变化“脚步声渐近后,角色开始说话”
先明确核心台词和声音,再添加必要的风格描述。保持人物称呼一致,避免同一人物的音色或情绪指令相互冲突。可以通过先后顺序描述声音的变化。

使用参考音频

需要提供声音参考时,上传可公开访问的音频 URL,或使用音频的 Base64 数据。在提示词中通过 @voice1@voice2@voice3 引用按顺序提供的音频。 例如,提供两条参考音频后,可以使用:
@voice1 用开心的语气说:“今天天气真好。”@voice2 在旁边笑。
qwen-audio-3.1-tts-next 最多接收 3 条参考音频,每条不超过 30 秒和 10 MB,支持 WAV、MP3、OGG Opus,不支持裸 PCM。参考音频 URL 与 Base64 二选一;使用 URL 时,服务端必须能访问该地址。

支持的模型

模型语种输入长度上限单次输出时长上限
qwen-audio-3.1-tts-next中文、英文3000 字符播客:240 秒(4 分钟);其他场景:120 秒
模型价格和限制请参见对应模型详情。

接入与费用