
语音合成这个赛道,过去十年的核心指标是“像不像人”。但真正把配音工作卡住的,往往不是音色,而是三件事:一句话里能不能换情绪、方言念得正不正宗、以及改一个字要不要整段重录。Qwen-Audio-3.1-TTS 的取向就是冲着这三个问题去的——它把 TTS 从“念稿工具”做成了“可按指令表演的合成引擎”,并且分了 Flash 与 Plus 两条线,一条拼延迟,一条拼质感。下面从定位、特征、能力、场景与价格五个层面完整介绍。详情👉访问阿里云百炼大模型服务平台页面 了解。


一、模型定位:两条产品线,两种使用姿势
Qwen-Audio-3.1-TTS 属于通义千问的语音合成系列,同代有两个主力模型 ID:
qwen-audio-3.1-tts-flash:面向实时交互场景的高性能语音合成模型,重点是流式合成与低延迟,适用于语音助手、实时对话、智能客服这类“必须边说边出”的场景。qwen-audio-3.1-tts-plus:面向高质量语音生成场景,更强调合成效果、自然度与表现力,适用于内容创作、有声书、影视配音、品牌声音设计等对成品质量要求高的场景。
两者的共同底座是一致的:多语言与多方言支持、free-style 指令遵循、细粒度标签控制、以及对含噪声混响参考音频更鲁棒的声音复刻能力。差别在取舍——Flash 把算力预算花在“快”,Plus 花在“好”。详情👉访问阿里云百炼大模型服务平台页面 了解。


还有一个容易混淆的同代模型 qwen-audio-3.1-tts-next,它已经不是传统意义的 TTS,而是统一音频生成模型(Audiogen):输入文本、时间戳、参考音频,一次生成人声、音效、环境音、背景音乐在内的整段音频,能直接做播客、多人对话、影视声景。三者关系可以这样理解:要实时对话用 Flash,要高质量配音用 Plus,要一次成片(含音效音乐)用 Next。
二、核心特征
第一,free-style 指令遵循。 这不是传统 TTS 那种“选一个音色+调一个语速”的粗控制,而是可以用自然语言描述表演要求:情绪、语气、角色感、语速、音量、风格,都能写进提示里。对配音这类需要“演”的任务,这是可用性的分水岭。
第二,细粒度标签控制。 除了自然语言,还能用标签做更精确的局部控制——某一句压低、某个词加重、某段加快。这让长文本合成的节奏感可以由人来定,而不是听模型自由发挥。
第三,流式合成(Flash)。 支持边说边出,首包延迟低,是实时语音助手的前提。接入方式覆盖 WebSocket、AOQ 与非实时 HTTP API 三条路径,实时场景走流式,批量场景走 HTTP。
第四,声音复刻的鲁棒性。 这是这一代提升明显的地方:参考音频带噪声、带混响时,仍能保持较好的音质、清晰度与表现力。现实里拿到的参考素材很少是录音棚级别,这条能力直接决定复刻能不能落地。
第五,多语种与中文方言。 Plus 版本强调方言发音的正宗度,覆盖多个小语种;对地方内容、方言短剧、区域客服这类业务,标准普通话模型往往一听就“假”。
第六,限流规格明确。 RPM 180,即每分钟最多 180 次请求。批量合成需要做并发与队列规划,不能靠无脑并发堆。
三、能力拆解:能做好什么,做不好什么
做得好:
- 有声书与长文本朗读:多角色、多情绪切换,长段落节奏可控。
- 影视与短视频配音:按脚本标注情绪与语气,一条一条对齐画面。
- 品牌声音设计:用复刻固定品牌音色,多语种版本保持一致性。
- 智能客服与语音助手:Flash 流式合成,低延迟应答。
- 方言内容:地方短剧、区域资讯、方言教学。
- 多语出海内容:同一脚本生成多语版本,音色尽量保持一致。
做不好或需要额外处理的:
- 需要“一次生成含音效与BGM的完整音频”——应改用
qwen-audio-3.1-tts-next; - 需要精确到毫秒的音画对齐——模型给的是语音,时间轴对齐仍需后期工具;
- 唱歌、戏曲唱腔这类强音乐性任务,不属于标准 TTS 的能力范围;
- 需要完全离线私有化部署的场景,需另行确认部署方案。
一句务实的判断:它能把“配音”从找人对稿,变成写指令+抽检;但成品交付前的听感验收,依然要人来做。详情👉访问阿里云百炼大模型服务平台页面 了解。


四、适用场景
| 场景 | 推荐模型 | 说明 |
|---|---|---|
| 语音助手、实时对话 | Flash | 流式合成,低延迟优先 |
| 智能客服 IVR | Flash | 高频短句,成本与延迟敏感 |
| 有声书、小说朗读 | Plus | 长文本、多角色、表现力优先 |
| 影视/短视频配音 | Plus | 情绪与语气需精细控制 |
| 品牌声音、多语版本 | Plus+声音复刻 | 音色一致性与语种覆盖 |
| 方言内容生产 | Plus | 方言正宗度是核心指标 |
| 播客、多人对话、带音效成片 | TTS-Next | 一次生成含环境音与音乐 |
| 批量通知播报 | Flash 或 Plus | 按质量要求与预算取舍 |
五、价格解析:两种计费口径,别算错
这一代最需要注意的,是两个模型的价格单位完全不同。
Plus:按字符计费,输出不计费。
| 地域 | 模型 | 单价 | 免费额度 |
|---|---|---|---|
| 华北2(北京) | qwen-audio-3.1-tts-plus | 1.4 元/万字符 | 1 万字符 |
| 国际 | qwen-audio-3.1-tts-plus | 2.19 元/万字符 | 无 |
按字符计费的好处是成本可预估:一万字符约合 1.4 元,一部十万字的有声书,纯合成成本约 14 元。这是“按内容量算钱”,与音频时长无关。详情👉访问阿里云百炼大模型服务平台页面 了解。


Flash:按 Token 计费,输入输出分别计价。
| 地域 | 模型 | 输入 | 输出 | 免费额度 |
|---|---|---|---|---|
| 华北2(北京) | qwen-audio-3.1-tts-flash | 1.5 元/百万 Token | 12 元/百万 Token | 100 万 Token |
| 国际 | qwen-audio-3.1-tts-flash | 1.677 元/百万 Token | 13.636 元/百万 Token | 无 |
Flash 的成本重心在输出侧(12 元/百万 Token,是输入的 8 倍),因为音频本身就是“输出”。做实时对话时,输出量随对话时长线性增长,预算要按“并发会话数 × 时长”估,而不是按字数。
声音复刻的计费要分清两条产品线。 Qwen-Audio-TTS 与 Qwen-Audio-Realtime 系列:创建音色免费,使用复刻音色合成语音时按目标模型计费;另有一条 Qwen-TTS 声音复刻产品线按“新建音色个数”计费,创建失败不计费也不占免费次数,删除音色不恢复免费次数。接入前先确认自己走的是哪条线。
TTS-Next:按 Token 计费,输入 6 元、输出 12 元每百万 Token,语种限中英文,输出非流式,格式支持 WAV/MP3/PCM。 单次生成时长有硬上限:播客 240 秒,其他场景 120 秒;参考音频最多 3 条、每条最长 30 秒、不超过 10 MB,格式限 WAV/MP3/OGG Opus,不支持裸 PCM。
几个省钱要点:
第一,先领免费额度。 Plus 有 1 万字符、Flash 有 100 万 Token,均限华北2(北京),有效期自开通或模型发布起 90 天。试听、调参、确定音色风格,全部放在免费额度里做完,再进正式生产。
第二,批量走 HTTP、实时走流式。 用错通道不会更贵,但会浪费重试成本;批量合成排队跑,实时对话才用 WebSocket。
第三,控制试听次数。 配音场景真正的成本大头常常不是合成,而是反复试听重生成。把指令一次写清(情绪、语速、角色、停顿位置),减少返工轮次,比压单价更有效。
第四,长文本分段。 长段落一次性投入容易在结尾处节奏失控,按自然段切分、逐段合成再拼接,既稳又便于局部重录。
六、接入示例
Plus 走 WebSocket,注意地址必须绑定业务空间:
import dashscope
from dashscope.audio.tts_v2 import SpeechSynthesizer
dashscope.base_websocket_api_url = (
"wss://{workspace-id}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference"
)
model = "qwen-audio-3.1-tts-plus"
voice = "longanhuan_v3.1"
synthesizer = SpeechSynthesizer(model=model, voice=voice)
audio = synthesizer.call("这一段用低沉一点的声音,语速稍慢,句尾带一点犹豫。")
with open("output.mp3", "wb") as f:
f.write(audio)
Flash 的非实时 HTTP 调用,适合批量:
curl -X POST "[https://dashscope.aliyuncs.com/api/v1/services/audio/tts](https://dashscope.aliyuncs.com/api/v1/services/audio/tts)" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen-audio-3.1-tts-flash",
"input": {"text": "欢迎致电,请问有什么可以帮您?", "voice": "longanhuan_v3.1"}
}'
音色复刻,创建免费、使用计费:
voice = client.audio.voices.create(
target_model="qwen-audio-3.1-realtime-plus",
prefix="myvoice",
url="[https://example.com/reference.wav](https://example.com/reference.wav)",
)
print(voice.voice_id)
七、使用注意事项
第一,认准模型 ID。qwen-audio-3.1-tts-flash 与 qwen-audio-3.1-tts-plus 计费口径不同,不要拿字数价去估 Token 价。
第二,RPM 180 是硬约束。实时业务要按“每分钟请求数”规划并发,批量任务请做队列,超限会直接失败。
第三,参考音频质量决定复刻上限。虽有噪声鲁棒性,仍建议用单人、少背景音、16kHz 以上的素材,效果更稳。
第四,能力边界要看模型页。本系列不支持 Function Calling、结构化输出、联网搜索、上下文缓存、批量推理与模型调优——它是合成工具,不是对话模型,别按聊天模型的用法设计流程。
第五,涉及真人声音复刻,必须取得本人明确授权;商用配音还要确认音色与素材的使用范围,能力可用不等于授权合规。
第六,成品必须人耳验收。方言正宗度、专有名词读音(人名、地名、品牌名)最容易出错,交付前逐条抽检。
结语
Qwen-Audio-3.1-TTS 的实用价值集中在“可控”两个字:用自然语言定表演,用标签定细节,用复刻定品牌音色,再用 Flash/Plus 两条线在延迟与质感之间选一个位置。对内容团队,它把配音从排期等人变成随时出稿;对技术团队,它提供了流式与批量两条清晰的接入路径与可预估的单价。判断是否值得接入,建议拿三段真实素材试:一段带情绪的长旁白、一段方言对白、一段需要复刻的参考音频。三段都过关,就可以进生产流程了。