Qwen-TTS-Realtime WebSocket API 参考

​

接口地址

​

请求头

​

交互流程

• ServerCommit 模式：服务端智能判断文本分段与合成时机，开发者无需关心内部状态切分。
• Commit 模式：客户端控制每一段文本的提交时间，需显式调用 input_text_buffer.commit 触发合成。

模式说明：

• ServerCommit 模式下调用 input_text_buffer.append 多次，系统根据内部规则判断合成起点。
• 若在 ServerCommit 模式中主动调用 input_text_buffer.commit，表示立即合成当前缓冲内容，后续仍维持 ServerCommit 模式。
• Commit 模式下仅调用 input_text_buffer.append 不会触发合成，需明确调用 input_text_buffer.commit。

1. 连接阶段：客户端发起 WebSocket 连接，服务端返回 session.created，表示会话已初始化。
2. 配置会话：客户端发送 session.update 事件设置音色、格式、模式等参数。
3. 文本输入阶段：客户端通过多次发送 input_text_buffer.append 添加文本到缓冲区。
4. 触发合成阶段：
   • ServerCommit 模式中系统自动判断合成时机，或客户端手动调用 input_text_buffer.commit 强制触发。
   • Commit 模式中仅 input_text_buffer.commit 操作才会真正触发语音合成流程。
5. 音频生成阶段：服务端发出 response.created 表示任务已启动，随后分片返回音频 response.audio.delta（base64 编码），直到 response.audio.done。
6. 会话结束阶段：客户端显式调用 session.finish 通知服务端清理状态，服务端返回 session.finished 后关闭连接。

{
    "event_id": "event_xxx",
    "type": "session.created",
    "session": {
        "object": "realtime.session",
        "mode": "server_commit",
        "model": "qwen3-tts-flash-realtime",
        "voice": "Cherry",
        "response_format": "pcm",
        "sample_rate": 24000,
        "id": "sess_xxx"
    }
}