Qwen‑TTS

什么是 Qwen‑TTS

Qwen‑TTS是阿里云通义千问（Qwen）系列最新推出的文本转语音（TTS）模型，已于 2025 年 6 月对外发布。该模型支持中文、英文和中英混合文本输入，并通过自然语音合成将文字转换为高保真、多风格的语音。用户可通过阿里云 Model Studio、Qwen API 或 DashScope SDK 接入该服务。

研发背景与目标

阿里云通义千问团队致力于打造“基础 + 多模态”生态，已有 Qwen3、Qwen-VL、Qwen-Audio 等模型。Qwen‑TTS 的推出旨在打通从“听到”到“说出”的闭环，实现“Qwen 写 → Qwen 说”的统一能力。它基于海量语音数据训练，提升声线自然度、语义韵律表达及风格迁移能力。

模型核心能力分析

普通话与方言多样性

Qwen‑TTS 除了普通话四种女性/男性音色（Cherry、Chelsie、Ethan、Serena），还支持三种方言（北京话 Dylan、上海话 Jada、四川话 Sunny）以及七种中英双语音色，适配区域化与跨语言场景。

流式生成与低延迟

该模型支持流式输出，首个音频包响应延迟低于 400ms，整体端到端时延可控制在 100ms 以内，适合语音助手、实时播报等低延迟应用场景。

真人级音质与情感控制

基于数百万小时语音训练，Qwen‑TTS 在语调、停顿、韵律方面表现接近真人语音，情感表达丰富，并能根据上下文调整说话节奏与语气，语音自然度接近 SOTA 水平。

技术实现亮点

• 两段式架构：先编码语音特征，再由大规模自回归解码器生成音频令牌，确保音质与表达一致性。

• 词汇长度与流控设计：上下文长度 8,192 Token，文本最长输入达 7,680 Token（约数千汉字），支持长文本合成。

• 音频 Token 机制：音频帧按每秒 50 Token 进行编码，确保音频时序与文本流同步控制。

• 多渠道输出：支持流式 Base64 编码 PCM 片段，也可生成完整 WAV 文件 URL。

使用方式与接入流程

快速调用示例

import os, dashscope response = dashscope.audio.qwen_tts.SpeechSynthesizer.call( model="qwen-tts", api_key=os.getenv("DASHSCOPE_API_KEY"), text="你好，欢迎使用 Qwen‑TTS。", voice="Chelsie", stream=True ) for chunk in response: play(chunk)

也可改用 Java 或 HTTP 接口方式调用。支持模型名如 qwen-tts-latest 或指定版本 qwen‑tts‑2025‑05‑22，并选择音色（如 Dylan、Sunny）。

成本与限额

• 输入输出成本低：输入 0.0016 元/千 Token，输出 0.01 元/千 Token；

• 免费额度：百炼用户可享 100 万 Token 免费额度，限 180 天使用期。

应用场景探索

智能客服与语音助手

借助其灵活多音色与高质量语音输出，可为客服机器人、导航语音等场景提供更自然、更具人情味的交互语音。

有声内容与娱乐

支持电台配音、有声小说、视频配音等，用户可自定义音色与情感，提升听觉体验。

教育与多语言培训

方言教材配音、跨语言教学等需求可被满足，支持干预合成模式增强学习体验。

虚拟主播与品牌语音

定制音色用于品牌形象或虚拟主持人，有助于扩展个人品牌与商业表达能力。

优势与局限比较

FAQ 常见问题

问：Qwen‑TTS 支持哪些语言和方言？
答：支持中文普通话，三种方言（北京话 Dylan、上海话 Jada、四川话 Sunny），以及七种中英双语音色（如 Cherry、Ethan）。

问：如何进行流式输出？
答：调用时设置 stream=True，SDK 会逐个返回 Base64 PCM 音频片段，适合动态播放或实时语音场景。

问：最大输入长度是多少？
答：当前最大支持 7,680 Token，折合约数千汉字，适用于演讲稿、文章配音等长文本任务。

问：音频延迟大概多少？
答：首包延迟低于 400ms，整体 end-to-end 延迟可控制在 100ms 以内。

问：成本如何计算？
答：输入为 0.0016 元/千 Token，输出为 0.01 元/千 Token，华南地区用户可参考百炼免费额度。

问：能否商用？
答：可用于商业场景，按阿里云计费与许可授权使用，需遵循许可证条款与监管要求。

结论与建议

Qwen‑TTS 是阿里云通义千问系列中专注语音合成的重要补充模型，具备以下核心价值：

• 自然度高：声音接近真人，涵盖丰富情感；

• 多音色多方言：支持标准普通话、北京/上海/四川方言及中英混合；

• 低延迟实时流式输出：适合语音助手等互动型场景；

• 接入便捷：SDK/API接入简单，成本可控。