Skip to main content

Qwen-Audio-TTS / CosyVoice Python SDK

前提条件

Qwen-Audio-TTS

接口地址

SDK的接口地址由Client构造参数workspace/region决定(对应下方地址,包含WorkspaceId)。如需切换到其他地域,请修改 Client构造参数为对应地域的值。
  • 新加坡
  • 华北2(北京)
  • dashscope CLI
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference调用时请将{WorkspaceId}替换为真实的Workspace ID。
阿里云百炼为华北2(北京)、新加坡地域推出了业务空间专属域名,能够为推理请求提供卓越的性能和更高的稳定性,建议迁移至新域名:
  • 华北2(北京)地域:从 dashscope.aliyuncs.com 迁移至 {WorkspaceId}.cn-beijing.maas.aliyuncs.com
  • 新加坡地域:从 dashscope-intl.aliyuncs.com 迁移至 {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com

CosyVoice

接口地址

SDK的接口地址由Client构造参数workspace/region决定(对应下方地址,包含WorkspaceId)。如需切换到其他地域,请修改Client构造参数为对应地域的值。
  • 新加坡
  • 华北2(北京)
  • dashscope CLI
wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference调用时请将{WorkspaceId}替换为真实的Workspace ID。
阿里云百炼为华北2(北京)、新加坡地域推出了业务空间专属域名,能够为推理请求提供卓越的性能和更高的稳定性,建议迁移至新域名:
  • 华北2(北京)地域:从 dashscope.aliyuncs.com 迁移至 {WorkspaceId}.cn-beijing.maas.aliyuncs.com
  • 新加坡地域:从 dashscope-intl.aliyuncs.com 迁移至 {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com

快速开始

Qwen-Audio-TTS / CosyVoice

SDK提供了语音合成的关键接口,支持以下几种调用方式:
  • 非流式调用:阻塞式,一次性发送完整文本,直接返回完整音频。适合短文本语音合成场景。
  • 单向流式调用:非阻塞式,一次性发送完整文本,通过迭代stream返回的音频分片接收数据。适用于对实时性要求高的短文本语音合成场景。
  • 双向流式调用:非阻塞式,可分多次发送文本片段,通过会话的audio_chunks()/events()迭代实时接收增量合成的音频流。适合实时性要求高的长文本语音合成场景。
  • 非流式调用
  • 单向流式调用
  • 双向流式调用
单次调用发送的文本长度不得超过20000字符,超出限制将返回错误。
synthesize与stream每次调用自建会话,无需复用实例。
# coding=utf-8

import os

import dashscope

# The API Key of the Singapore region is different from that of the Beijing region. Get an API Key: https://www.alibabacloud.com/help/model-studio/get-api-key
# If the environment variable is not configured, set your API key directly: api_key = "sk-xxx"
# The following is the configuration for the Singapore region. Replace "{WorkspaceId}" with your actual workspace ID. The region value varies by region.
client = dashscope.Client(
    api_key=os.environ.get('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

# Model
model = "qwen-audio-3.0-tts-flash"
# Voice
voice = "longanhuan_v3.6"

# Send the text to synthesize and get the binary audio
audio = client.audio.tts.synthesize("今天天气怎么样?", model=model, voice=voice)

# Save the audio to a local file
with open('output.mp3', 'wb') as f:
    f.write(audio)

CosyVoice

SDK提供了语音合成的关键接口,支持以下几种调用方式:
  • 非流式调用:阻塞式,一次性发送完整文本,直接返回完整音频。适合短文本语音合成场景。
  • 单向流式调用:非阻塞式,一次性发送完整文本,通过迭代stream返回的音频分片接收数据。适用于对实时性要求高的短文本语音合成场景。
  • 双向流式调用:非阻塞式,可分多次发送文本片段,通过会话的audio_chunks()/events()迭代实时接收增量合成的音频流。适合实时性要求高的长文本语音合成场景。
  • 非流式调用
  • 单向流式调用
  • 双向流式调用
单次调用发送的文本长度不得超过20000字符,超出限制将触发 DashScopeError 异常。
synthesize与stream每次调用自建会话,无需复用实例。
按相同调用方式复用 共用代码示例,将 model 设为 cosyvoice-v3-plus,将 voice 设为 longanyang。

请求参数

Qwen-Audio-TTS

以下参数通过client.audio.tts的synthesize/stream/connect方法设置,用于控制合成音频的模型、音色、格式和音频特征(model、voice、format、sample_rate、volume、rate、pitch、language_hints、enable_ssml为具名参数,其余参数通过parameters字典传入)。
参数类型是否必须说明
modelstr是模型名称。
voicestr是语音合成所使用的音色。
  • 系统音色:参见Qwen-Audio-TTS音色列表
  • 复刻音色:通过声音复刻功能定制
  • 声音设计音色:通过声音设计功能定制
formatstr否音频编码格式。默认值:mp3。支持mp3、wav、pcm等格式;采样率通过sample_rate参数设置,默认22050。
volumeint否音量。默认值:50。取值范围:[0, 100]。
ratefloat否语速。默认值:1.0。取值范围:[0.5, 2.0]。
pitchfloat否音调。默认值:1.0。取值范围:[0.5, 2.0]。
bit_rateint否音频码率(kbps)。音频格式为mp3或opus时,支持通过bit_rate参数调整码率。默认值:32。取值范围:[6, 510]。bit_rate需要通过parameters字典进行设置:
audio = client.audio.tts.synthesize(
    "待合成文本",
    model="qwen-audio-3.0-tts-flash",
    voice="longanhuan_v3.6",
    parameters={"bit_rate": 128},
)
word_timestamp_enabledbool否是否开启字级别时间戳。默认值:false。仅在流式输出模式下可用。支持复刻音色;支持的系统音色请参见Qwen-Audio-TTS音色列表。word_timestamp_enabled需要通过parameters字典进行设置:
audio = client.audio.tts.stream(
    "待合成文本",
    model="qwen-audio-3.0-tts-flash",
    voice="your_voice",  # A system voice or cloned voice that supports word-level timestamps
    parameters={"word_timestamp_enabled": True},
)
seedint否生成时使用的随机数种子,使合成的效果产生变化。在模型版本、文本、音色及其他参数均相同的前提下,使用相同的seed可复现相同的合成结果。默认值0。取值范围:[0, 65535]。
language_hintslist[str]否
使用 qwen-audio-3.1-tts-flash 的多语种与方言音色时,可通过此参数指定语种或方言。具体用法请参见多语种与方言音色的设置方法。
指定语音合成的目标语言,提升合成效果。当数字、缩写、符号等朗读方式或者小语种合成效果不符合预期时使用,例如:
  • 数字朗读方式不符合预期,“hello, this is 110”读成“hello, this is one one zero”而非“hello, this is 幺幺零”
  • 符号朗读不准确,“@”读成“艾特”而非“at”
  • 小语种合成效果差,合成不自然
  • zh:中文
  • en:英语
  • fr:法语
  • de:德语
  • ja:日语
  • ko:韩语
  • ru:俄语
  • pt:葡萄牙语
  • th:泰语
  • id:印尼语
  • vi:越南语
  • es:西班牙语
  • it:意大利语
  • ms:马来西亚语
  • fil:菲律宾语
  • ar:阿拉伯语
  • other:其他语种(适用于 qwen-audio-3.1-tts-flash) 保加利亚语、荷兰语、匈牙利语、罗马尼亚语、丹麦语、克罗地亚语、希腊语、捷克语、挪威语、瑞典语、印地语、斯洛伐克语、芬兰语、乌尔都语、塞尔维亚语、墨西哥西班牙语、立陶宛语、拉脱维亚语、土耳其语、波斯语、希伯来语、蒙古语、斯洛文尼亚语、阿塞拜疆语、波兰语、加泰罗尼亚语、高棉语、巴西葡萄牙语、老挝语、格鲁吉亚语、南非荷兰语、尼泊尔语、白俄罗斯语、马拉雅拉姆语、卢森堡语、阿尔巴尼亚语、泰米尔语、僧伽罗语、泰卢固语、爱沙尼亚语、宿务语、波斯尼亚语、缅甸语、亚美尼亚语、拉丁语、冰岛语、马耳他语、斯瓦希里语、哈萨克语、塞舌尔克里奥尔语、乌克兰语。
  • 此参数为数组,但当前版本仅处理第一个元素,因此建议只传入一个值。
  • 此参数用于指定语音合成的目标语言,该设置与声音复刻时的样本音频的语种无关。如需设置复刻任务的源语言,请参见声音复刻API参考。
instructionstr否设置指令,用于控制方言、情感或角色等合成效果。使用说明请参见指令控制。
enable_aigc_tagbool否是否在生成的音频中添加AIGC隐性标识。设置为true时,会将隐性标识嵌入到支持格式(wav/mp3/opus)的音频中。默认值:false。enable_aigc_tag、aigc_propagator和aigc_propagate_id需要通过parameters字典进行设置:
audio = client.audio.tts.synthesize(
    "待合成文本",
    model="qwen-audio-3.0-tts-flash",
    voice="longanhuan_v3.6",
    parameters={
        "enable_aigc_tag": True,
        "aigc_propagator": "your_propagator",
        "aigc_propagate_id": "your_propagate_id"
    },
)
aigc_propagatorstr否设置AIGC隐性标识中的 ContentPropagator 字段,用于标识内容的传播者。仅在 enable_aigc_tag 为 true 时生效。默认值:阿里云UID。需要通过parameters字典进行设置,参见enable_aigc_tag的示例。
aigc_propagate_idstr否设置AIGC隐性标识中的 PropagateID 字段,用于唯一标识一次具体的传播行为。仅在 enable_aigc_tag 为 true 时生效。默认值:本次语音合成请求Request ID。需要通过parameters字典进行设置,参见enable_aigc_tag的示例。
hot_fixdict否文本热修复配置,用于自定义指定词语的发音或对待合成文本进行替换。参数介绍:
  • pronunciation:自定义发音。指定词语的拼音标注,用于纠正默认发音不准确的情况。
  • replace:文本替换。在语音合成前将指定词语替换为目标文本,替换后的文本将作为实际合成内容。
示例:
audio = client.audio.tts.synthesize(
    "待合成文本",
    model="qwen-audio-3.0-tts-flash",
    voice="your_voice_id", # The voice
    parameters={
        "hot_fix": {
            "pronunciation": [{"天气": "tian1 qi4"}],
            "replace": [{"今天": "金天"}]
        }
    },
)

CosyVoice

以下参数通过client.audio.tts的synthesize/stream/connect方法设置,用于控制合成音频的模型、音色、格式和音频特征(model、voice、format、sample_rate、volume、rate、pitch、language_hints、enable_ssml为具名参数,其余参数通过parameters字典传入)。
参数类型是否必须说明
modelstr是模型名称。
voicestr是语音合成所使用的音色。
  • 系统音色:参见CosyVoice音色列表
  • 复刻音色:通过声音复刻功能定制
  • 声音设计音色:通过声音设计功能定制
formatstr否音频编码格式。默认值:mp3。支持mp3、wav、pcm等格式;采样率通过sample_rate参数设置,默认22050。
volumeint否音量。默认值:50。取值范围:[0, 100]。
ratefloat否语速。默认值:1.0。取值范围:[0.5, 2.0]。
pitchfloat否音调。默认值:1.0。取值范围:[0.5, 2.0]。
bit_rateint否音频码率(kbps)。音频格式为mp3或opus时,支持通过bit_rate参数调整码率。默认值:32。取值范围:[6, 510]。bit_rate需要通过parameters字典进行设置:
audio = client.audio.tts.synthesize(
    "待合成文本",
    model="cosyvoice-v3-plus",
    voice="longanyang",
    parameters={"bit_rate": 128},
)
word_timestamp_enabledbool否是否开启字级别时间戳。默认值:false。仅在流式输出模式下可用。支持的音色范围:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash、cosyvoice-v3-plus、cosyvoice-v2模型的复刻音色,以及CosyVoice音色列表中标记为支持的系统音色。其他模型的复刻音色不支持此功能。word_timestamp_enabled需要通过parameters字典进行设置:
audio = client.audio.tts.stream(
    "待合成文本",
    model="cosyvoice-v3-flash",
    voice="your_voice",  # A system voice or cloned voice that supports word-level timestamps
    parameters={"word_timestamp_enabled": True},
)
seedint否生成时使用的随机数种子,使合成的效果产生变化。在模型版本、文本、音色及其他参数均相同的前提下,使用相同的seed可复现相同的合成结果。默认值0。取值范围:[0, 65535]。
language_hintslist[str]否
  • 此参数为数组,但当前版本仅处理第一个元素,因此建议只传入一个值。
  • 此参数用于指定语音合成的目标语言,该设置与声音复刻时的样本音频的语种无关。如需设置复刻任务的源语言,请参见声音复刻API参考。
指定语音合成的目标语言,提升合成效果。当数字、缩写、符号等朗读方式或者小语种合成效果不符合预期时使用,例如:
  • 数字朗读方式不符合预期,“hello, this is 110”读成“hello, this is one one zero”而非“hello, this is 幺幺零”
  • 符号朗读不准确,“@”读成“艾特”而非“at”
  • 小语种合成效果差,合成不自然
  • zh:中文
  • en:英语
  • fr:法语
  • de:德语
  • ja:日语
  • ko:韩语
  • ru:俄语
  • pt:葡萄牙语
  • th:泰语
  • id:印尼语
  • vi:越南语
  • es:西班牙语
  • it:意大利语
  • ms:马来西亚语
  • fil:菲律宾语
  • ar:阿拉伯语
instructionstr否设置指令,用于控制方言、情感或角色等合成效果。使用说明请参见指令控制。
enable_aigc_tagbool否是否在生成的音频中添加AIGC隐性标识。设置为true时,会将隐性标识嵌入到支持格式(wav/mp3/opus)的音频中。默认值:false。
仅cosyvoice-v3-flash、cosyvoice-v3-plus、cosyvoice-v2支持该功能。
enable_aigc_tag、aigc_propagator和aigc_propagate_id需要通过parameters字典进行设置:
audio = client.audio.tts.synthesize(
    "待合成文本",
    model="cosyvoice-v3-plus",
    voice="longanyang",
    parameters={
        "enable_aigc_tag": True,
        "aigc_propagator": "your_propagator",
        "aigc_propagate_id": "your_propagate_id"
    },
)
aigc_propagatorstr否设置AIGC隐性标识中的 ContentPropagator 字段,用于标识内容的传播者。仅在 enable_aigc_tag 为 true 时生效。默认值:阿里云UID。
仅cosyvoice-v3-flash、cosyvoice-v3-plus、cosyvoice-v2支持该功能。
需要通过parameters字典进行设置,参见enable_aigc_tag的示例。
aigc_propagate_idstr否设置AIGC隐性标识中的 PropagateID 字段,用于唯一标识一次具体的传播行为。仅在 enable_aigc_tag 为 true 时生效。默认值:本次语音合成请求Request ID。
仅cosyvoice-v3-flash、cosyvoice-v3-plus、cosyvoice-v2支持该功能。
需要通过parameters字典进行设置,参见enable_aigc_tag的示例。
hot_fixdict否文本热修复配置,用于自定义指定词语的发音或对待合成文本进行替换。
cosyvoice-v2不支持该功能。
参数介绍:
  • pronunciation:自定义发音。指定词语的拼音标注,用于纠正默认发音不准确的情况。
  • replace:文本替换。在语音合成前将指定词语替换为目标文本,替换后的文本将作为实际合成内容。
示例:
audio = client.audio.tts.synthesize(
    "待合成文本",
    model="cosyvoice-v3-plus",
    voice="longanyang", # 音色
    parameters={
        "hot_fix": {
            "pronunciation": [{"天气": "tian1 qi4"}],
            "replace": [{"今天": "金天"}]
        }
    },
)
enable_markdown_filterbool否
仅cosyvoice-v3-flash复刻音色支持该功能。
是否启用 Markdown 过滤。启用该功能后,系统在合成语音前自动过滤输入文本中的 Markdown 标记符号,避免将其朗读为文字内容。默认值:false。取值范围:
  • true:启用Markdown过滤
  • false:禁用Markdown过滤
enable_markdown_filter需要通过parameters字典进行设置:
audio = client.audio.tts.synthesize(
    "待合成文本",
    model="cosyvoice-v3-flash",
    voice="your_voice",  # A cosyvoice-v3-flash cloned voice
    parameters={"enable_markdown_filter": True},
)

接口参考

核心资源(client.audio.tts)

资源路径:client.audio.tts 功能:基于WebSocket的语音合成,提供一次性合成(synthesize)、流式合成(stream)与双向流式会话(connect)三种调用形态。

stream() - 流式调用

方法签名:
def stream(self, text: str, *, model: str, voice: str,
           format: str = "mp3", sample_rate: int = 22050, ...) -> Iterator[bytes]
参数说明:
参数类型必填说明
textstr是待合成的完整文本,长度不得超过20000字符。
返回值:Iterator[bytes],逐块产出的音频数据。 说明:流式合成,一次性发送完整文本并逐块产出音频(Iterator[bytes])。适用于对实时性要求高的短文本语音合成场景。需要分片提交文本时请使用双向流式会话(connect)。

send_text() - 流式输入(会话方法)

双向流式会话(client.audio.tts.connect(...))中分片提交文本。 方法签名:
def send_text(self, text: str) -> None
参数说明:text为当前待合成的文本片段。可多次调用send_text以追加文本,单次不超过20000字符,累计不超过20万字符。发送文本与接收音频需并发进行(配合audio_chunks()/events()和stop使用)。

stop() - 结束流式输入(会话方法)

方法签名:
def stop(self) -> None
说明:通知服务端所有文本已发送完毕。调用后不阻塞当前线程,接收线程需继续消费audio_chunks()/events()直到剩余文本合成完成并返回所有音频数据。未调用此方法可能导致尾部文本无法转换为语音。

会话指标与响应(会话属性)

session.first_package_delay
session.usage
session.last_response
  • first_package_delay:float,从发送文本到收到第一块音频数据的延迟时间(毫秒)。需在合成完成后读取。
  • usage:dict,最近一次合成任务的用量信息。
  • last_response:dict,最近一次合成任务的响应消息(含 header/payload 键)。最近一次请求的request_id可从session.last_response的header中获取,可用于问题排查和日志关联。

audio_chunks() - 迭代音频数据

方法签名:
def audio_chunks(self) -> Iterator[bytes]
返回值:Iterator[bytes],逐块产出的音频二进制数据片段,格式由format参数指定。 说明:在接收线程中迭代,逐块接收音频数据,合成过程中会产出多块。可将数据写入文件或送入播放设备。同一会话只允许一个events()或audio_chunks()读取者。

events() - 迭代服务端事件

方法签名:
def events(self) -> Generator[Union[Dict, bytes], None, None]
返回值:同时产出服务端响应事件(dict,包含header(请求信息)和payload(输出信息))与音频bytes。其中payload.output包含事件类型、原始文本等信息,详见events()事件中的output字段。 说明:在接收线程中迭代服务端回复,包含合成事件的输出信息(事件类型、原始文本、句子信息等),可直接访问payload.output获取详细信息。

错误处理

合成过程中发生错误时,ws层会以DashScopeError异常抛出,异常触发后连接将自动关闭。可在发送/接收处使用try/except捕获并记录错误日志以便排查问题:
from dashscope import DashScopeError

try:
    ...
except DashScopeError as e:
    print(e.code, e.message, e.request_id)

会话生命周期

  • 进入with上下文时自动建立连接(可在此前初始化音频输出流或打开文件等资源)。
  • 所有文本合成完成且音频数据已全部产出后,events()/audio_chunks()迭代结束;此后可读取first_package_delay等性能指标。
  • 退出with上下文时自动关闭连接(可在此后释放音频播放设备等资源)。

events()事件中的output字段

会话events()迭代产出的事件dict中,payload.output包含合成事件的输出信息,可用于跟踪合成进度和获取逐句信息。以下为output字段的结构说明:
字段类型说明
typestr事件类型。取值为sentence-begin(句子合成开始)、sentence-synthesis(句子合成中)或sentence-end(句子合成结束)。
original_textstr当前句子的原始文本。在sentence-begin和sentence-end事件中返回。
sentencedict句子信息。包含index(句子序号)和words(词列表,开启word_timestamp_enabled时返回时间戳信息)。
消息示例:
{
  "header": {
    "task_id": "xxx",
    "event": "result-generated",
    "attributes": {}
  },
  "payload": {
    "output": {
      "type": "sentence-begin",
      "original_text": "今天天气怎么样?",
      "sentence": {
        "index": 0,
        "words": []
      }
    }
  }
}
解析示例:
def handle_event(event):
    output = (event.get('payload') or {}).get('output') or {}
    event_type = output.get('type', '')
    original_text = output.get('original_text', '')
    if event_type:
        print(f'事件类型: {event_type}, 原始文本: {original_text}')

Qwen-Audio-TTS

共享说明 请参见新版 Qwen-Audio-TTS Python SDK。

调用入口

# One-shot synthesis: returns the complete audio bytes
audio = client.audio.tts.synthesize(
    text,                      # text is required (positional argument)
    model="qwen-audio-3.0-tts-flash", # The model that the voice belongs to
    voice="longanhuan_v3.6",   # The voice
    format="mp3",              # Audio encoding format, default "mp3"
    sample_rate=22050,         # Sample rate, default 22050
)

# Streaming synthesis: yields audio bytes chunk by chunk (write/play while receiving)
for chunk in client.audio.tts.stream(text, model=..., voice=...):
    ...

# Bidirectional streaming session: send text in segments; the connection is established automatically when entering the with context
with client.audio.tts.connect(model=..., voice=...) as session:
    session.send_text(text)    # Can be called multiple times to append text
    session.stop()             # Notify the server that the input is complete
    for chunk in session.audio_chunks():
        ...

synthesize() - 非流式调用

方法签名:
def synthesize(self, text: str, *, model: str,
               voice: str, format: str = "mp3",
               sample_rate: int = 22050, volume: int = None,
               rate: float = None, pitch: float = None,
               language_hints: list = None, enable_ssml: bool = None,
               parameters: Dict = None, ...) -> bytes
参数说明:
参数类型必填说明
textstr是待合成的完整文本,长度不得超过20000字符。
返回值:bytes,完整音频数据。 说明:非流式调用,阻塞等待并一次性返回完整音频数据。适用于短文本、对实时性无严格要求的场景。synthesize与stream每次调用自建会话,无需复用实例。

cancel() - 取消流式合成(会话方法)

方法签名:
def cancel(self) -> None
说明:取消当前轮次的流式语音合成任务。调用后,SDK 会立即结束当前任务。取消后当前会话不能再发送文本,如需继续合成请新建会话。

会话与事件迭代

流式合成不再使用回调接口:音频与服务端事件通过会话的迭代方法接收。stream()/synthesize()无需会话管理;双向流式会话(client.audio.tts.connect(...))的生命周期为:进入with上下文自动建立连接 → 多次send_text() → stop() → 读完全部结果 → 退出上下文自动关闭。

CosyVoice

共享说明 请参见新版 CosyVoice Python SDK。

调用入口

# One-shot synthesis: returns the complete audio bytes
audio = client.audio.tts.synthesize(
    text,                      # text is required (positional argument)
    model="cosyvoice-v3-plus", # The model that the voice belongs to
    voice="longanyang",        # The voice
    format="mp3",              # Audio encoding format, default "mp3"
    sample_rate=22050,         # Sample rate, default 22050
)

# Streaming synthesis: yields audio bytes chunk by chunk (write/play while receiving)
for chunk in client.audio.tts.stream(text, model=..., voice=...):
    ...

# Bidirectional streaming session: send text in segments; the connection is established automatically when entering the with context
with client.audio.tts.connect(model=..., voice=...) as session:
    session.send_text(text)    # Can be called multiple times to append text
    session.stop()             # Notify the server that the input is complete
    for chunk in session.audio_chunks():
        ...

synthesize() - 非流式调用

方法签名:
def synthesize(self, text: str, *, model: str = "cosyvoice-v1",
               voice: str = "longxiaochun", format: str = "mp3",
               sample_rate: int = 22050, volume: int = None,
               rate: float = None, pitch: float = None,
               language_hints: list = None, enable_ssml: bool = None,
               parameters: Dict = None, ...) -> bytes
参数说明:
参数类型必填说明
textstr是待合成的完整文本,长度不得超过20000字符。
返回值:bytes,完整音频数据。 说明:非流式调用,阻塞等待并一次性返回完整音频数据。适用于短文本、对实时性无严格要求的场景。synthesize与stream每次调用自建会话,无需复用实例。

cancel() - 取消流式合成(会话方法)

方法签名:
def cancel(self) -> None
说明:取消当前轮次的流式语音合成任务。调用后,SDK 会立即结束当前任务。取消后当前会话不能再发送文本,如需继续合成请新建会话。
模型限制:
  • 华北2(北京)地域:CosyVoice 系列模型仅 v2 及以上版本支持该功能。
  • 新加坡地域:CosyVoice 系列模型不支持该功能。

会话与事件迭代

流式合成不再使用回调接口:音频与服务端事件通过会话的迭代方法接收。stream()/synthesize()无需会话管理;双向流式会话(client.audio.tts.connect(...))的生命周期为:进入with上下文自动建立连接 → 多次send_text() → stop() → 读完全部结果 → 退出上下文自动关闭。