一、为什么把语音能力放在一起讲

开发者接触语音能力，通常是从单点需求开始的：要做短视频配音就去看语音合成，要做会议纪要就去看语音识别，要做语音助手才发现还得处理多模态输入和语音输出。三个需求分别找文档、分别接 SDK、分别管密钥，集成成本被切成了三份，用量和费用也散在三处。

百炼把这三条能力放在同一个模型服务底座和同一个命令行工具下。本文按能力栈的顺序梳理一遍：模型矩阵、CLI 链路、编排与治理、定制路径，以及与开源生态的协同方式。文中命令签名以 bl 1.22.0 的 --help 输出为准，价格取自 bl model list 的实时返回，音色清单来自 --list-voices 实测。

二、模型能力矩阵

语音相关模型分三层，各自独立计价，可以在同一条链路里混用。

2.1 语音合成：CosyVoice 系列

cosyvoice-v3-flash 的 64 个系统音色，语言分布是中文/英文 36（含童声 4、台式 1）、粤语 3、方言 3（东北话、陕西话、闽南话）、美式英语 10、英式英语 4、日语 5、韩语 2、印尼语 1。

bl speech synthesize --list-voices --model cosyvoice-v3-flash

方言与粤语音色的存在，意味着区域性内容生产不需要额外训练或外包：地方文旅、农机、方言短剧、儿童内容可以直接选对应音色 ID。音色清单在控制台文档侧也有对应页面，CLI 输出末尾会附上链接。

2.2 语音识别：Fun-ASR 与 Qwen-ASR

fun-asr 的模型自述是"通义百聆新一代语音识别大模型，主打中文、英文、日文语音识别，多地区方言覆盖，具备更强的噪声鲁棒性"，实测 QPM 限流为 10。

选择依据是时延要求与功能要求：低时延走同步 Flash ASR，需要说话人分离（diarization）走异步 filetrans 模型。这两个能力目前不在同一个模型上，CLI 会在本地前置校验阶段拦下不支持的参数组合，不发起请求也不计费。

2.3 多模态交互：Qwen-Omni

qwen3.5-omni-plus 是 bl omni 的默认模型。模型自述能力：支持超过 10 小时的音频理解、超过 400 秒的 720P（1 FPS）音视频理解与对话，支持 60 多种语言的音频输入、30 多种语言的语音输出；上下文 262144，最大输出 65536；features 含 web-search、function-calling、batch。

| 输入：音频 | ¥53 | ¥26.5 |
| 输出：纯文本 | ¥40 | ¥20 |
| 输出：文本+音频 | ¥213（输出的文本不再单独计费） | 同左 |

Omni 提供 13 个交互音色，其中包含北京、南京、四川（两个）、陕西、粤语（两个）、天津等地方口音，适配区域化语音客服与语音助手。语音输出与纯文本输出之间有 5 倍多的价差，--text-only 是开发期最直接的成本开关，Batch File 半价则是离线批量任务的成本杠杆。

三、CLI 链路：三层能力一个入口

3.1 安装与认证

npm install -g bailian-cli
bl skill init
bl auth login --api-key sk-xxxxx
bl auth login --console
bl auth status

npm 方式要求 Node.js 18.17 以上；macOS/Linux 可走 curl -fsSL https://bailian.aliyun.com/cli/install.sh | bash，Windows PowerShell 走 irm https://bailian.aliyun.com/cli/install.ps1 | iex，脚本方式不需要预装 Node。bl skill init 会一并装上 Bailian Skills，把 CLI 能力暴露给 Coding Agent 使用。

模型调用凭证与控制台凭证是两条：前者用于推理调用，后者用于 bl usage、bl workspace、bl quota history 这类查询与管理命令。安装说明见 百炼 CLI 页面，API Key 在控制台 API Key 页面创建（免费额度仅在华北2 北京地域生效）。

3.2 合成

bl speech synthesize --model cosyvoice-v3-flash --text-file script.txt --voice longcheng_v3 --rate 0.9 --instruction "用沉稳的语气" --out chapter-01.mp3

工程侧值得关注的参数：--seed（0-65535）保证同输入同输出，便于批量生产中单条重跑；--concurrent 控制并行请求数；--format 支持 mp3/pcm/wav/opus；--stream 输出裸 PCM 到 stdout，可直接管道接播放器或推流，链路上不需要临时存储。

bl speech synthesize --model cosyvoice-v3-flash --text "Hello" --voice loongabby_v3 --language en --stream | ffplay -nodisp -autoexit -f s16le -ar 24000 -ac 1 -

--model 的默认值来自 profile 配置（未配置时为 cosyvoice-v3-flash），而系统音色 ID 与模型绑定，因此生产脚本建议显式声明 --model，或一次性固定配置：

bl config set --key default_speech_model --value cosyvoice-v3-flash
bl speech synthesize --model cosyvoice-v3-flash --text "测试" --voice longcheng_v3 --dry-run

--dry-run 是全局 flag，打印实际请求体而不发起调用，排查参数与默认值问题不产生费用。

3.3 识别

bl speech recognize --model fun-asr --url ./meeting.wav --diarization --speaker-count 3 --vocabulary-id vocab-abc123 --out meeting.json

--url 支持网络地址与本地路径，可重复传入，单次上限 100 个文件。长音频用 --async 取任务 ID，--poll-interval 控制轮询间隔（默认 2 秒）。本地文件不便公开托管时，bl file upload 可推送至 DashScope 临时存储，有效期 48 小时。

3.4 多模态交互

bl omni --message "user:这张封面图上最抢眼的是什么" --image ./cover.jpg --voice Tina --audio-out reply.wav

输入侧还支持 --audio（wav/mp3/amr/aac/m4a/ogg/3gp/3gpp）与 --video（视频文件或逗号分隔的抽帧 URL）；--message 可重复并用 role: 前缀组织多轮；--system 设定角色；--text-only 关闭语音输出。

bl omni --message "Answer in Sichuan dialect: How's the weather today?" --voice Sunny

四、编排与治理

4.1 Pipeline：把三步串成一条流程

工作流定义是一个 YAML，骨架为 version: workflow/v1 加 steps 数组，步骤通过 { {steps.<id>.output}} 引用上游产出：

version: workflow/v1
steps:
  - id: script
    type: text/chat
    input:
      message: "{
   {topic}}"
      system: "你是短视频口播文案作者。只输出口播稿正文，120字以内。"
  - id: voiceover
    type: speech/synthesize
    input:
      text: "{
   {steps.script.output}}"
      model: cosyvoice-v3-flash
      voice: longcheng_v3
      out: voiceover.mp3

步骤类型共 11 种：text/chat、vision/describe、image/generate、image/edit、video/generate、speech/synthesize、speech/recognize、script/js、logic/switch、logic/select、logic/assert。

bl pipeline validate --file voice-workflow.yaml
bl pipeline run --file voice-workflow.yaml --input '{"topic":"本地语音克隆工具的中文短板"}' --dry-run
bl pipeline run --file voice-workflow.yaml --input-file inputs.json --concurrency 3 --events events.jsonl

validate 只接受 --file。--dry-run 打印执行计划（Pipeline planned，逐步标注 planned），不调模型。--events 输出 JSONL 生命周期事件，可接入日志与监控；--step-timeout 为单步设置超时。pipeline 命令本身标注 No Auth、不直接产生费用，费用来自它调起的各步骤。

安全设计上有一处值得说明：script/js 步骤的 code 必须是字面字符串，校验器明确拒绝从上游步骤或表达式取代码，理由是那会把不可信文本当宿主机代码执行。需要在上游产出上做判断时，用 logic/assert（字段 condition，支持 { {steps.X.output}} 插值）或 logic/switch。

典型的语音内容生产线可以这样编排：选题输入 → 文案生成 → 配音合成 → 素材转写 → 字幕校对 → 成品归档。

4.2 用量与额度治理

新用户免费额度的规则需按官方口径理解：每个符合条件的模型各自一份（通常 100 万 token），有效期 90 天，仅华北2（北京）地域，过期不补发、不结转、不重置，模型之间不互相借用；已认证账号额度耗尽后自动转按量付费，开启"用完即停"后超额调用返回 HTTP 403 与错误码 AllocationQuota.FreeTierOnly。企业环境建议默认开启用完即停，再按业务逐个模型放开，避免试点期脚本把生产预算跑穿。

4.3 权限、工作空间与多团队隔离

bl workspace list
bl permission list
bl permission grant
bl permission revoke

permission 系列按推理、微调、部署三类权限分配，配合多工作空间可以把成本与权限归口到部门，这是多团队共用一套语音底座的前提。

4.4 从调用走向定制

bl finetune audio create
bl finetune price
bl finetune watch --follow
bl deploy audio create
bl deploy list
bl deploy scale
bl deploy pause

这条链路的意义在于：品牌音色、行业专属发音、特定方言风格可以从"选内置音色"升级到"训练自有音色并独占部署"。bl finetune price 可以在提交训练前估算成本，bl deploy pause 可以在非使用时段暂停部署、停止 mu/ptu 计费。

五、与开源生态的协同

语音领域的开源侧最近很活跃。以 VoiceStudio 为例：21.9k star，近一周新增约 7,499，提供声音克隆（短参考音频零样本）、声音设计、视频配音、听写转写与有声书制作，内部组合 16 个 TTS 引擎与 11 个 ASR 引擎、646 种语言目录，形态上包含 Tauri v2 桌面应用、FastAPI 后端、本地 REST/SSE/WebSocket 服务、OpenAI 兼容 audio API 与 MCP Server。GPU 为可选依赖，CPU 模式可运行，使用 GPU 时 4GB 显存起。

它 README 中自述的三个约束需要如实呈现：646 种语言的实际覆盖与音质取决于所选引擎；默认引擎权重为 CC-BY-NC（应用本体 AGPL-3.0），商用需逐个引擎核对许可；项目状态为 active beta，Intel Mac 无法运行本地 Python 后端。

两类方案在企业里通常并存，分工边界清晰：

对数据敏感、需要私有音色资产的场景，组合方式是：本地完成声音克隆与敏感素材处理，云端承担高并发的成品合成、识别与多模态交互。MCP 是两侧对接的现成接口：

bl mcp list
bl mcp tools
bl mcp call

六、不同角色的最短上手路径

• 内容团队：bl speech synthesize --list-voices --model cosyvoice-v3-flash 选音色 → --text-file 批量出片 → bl usage stats 做月度成本归口
• 企业 IT：bl auth login --console → bl usage freetier --all 开启用完即停 → bl quota list 核对限流 → bl permission grant 按团队分配权限 → 需要专属音色时走 bl finetune audio create
• 应用开发者：bl omni 验证多模态语音交互 → --stream 接入实时推流 → bl pipeline run 编排端到端流程，--events jsonl 接入监控

三层能力共用一份凭证、一套计价视图、一个命令行入口，这是把语音需求从"三个项目"收敛成"一条链路"的关键。完整的模型清单可以在百炼控制台查看，也可以在终端直接检索：

bl model list --capability TTS
bl model list --capability ASR
bl model list --model qwen3.5-omni-plus