通义千问 Qwen-TTS

本文介绍接入的阿里云通义千问语音合成模型 qwen3-tts-flash 调用 API 的输入输出参数，供您使用接口时查阅字段含义。

该模型提供多种拟人音色，支持多语言及中文方言，并可在同一音色下输出多语言内容，系统可自适应语气、流畅处理复杂文本。

支持的模型

模型	说明
`qwen3-tts-flash`	按字符计费、低延迟，适合导航播报、通知、在线教育课件、短文本高频合成等场景。支持多语种与中文方言。

同步合成

接口

https://api.modelverse.cn/v1/audio/speech

说明：该接口与 OpenAI /v1/audio/speech 路径兼容，但响应体为阿里云原始 JSON（包含音频 URL），并非 OpenAI 的二进制音频流。请参见“响应格式”章节。

请求参数

参数	类型	是否必选	描述
`model`	string	是	要使用的 TTS 模型名称，例如 `qwen3-tts-flash`。
`input`	string	是	需要合成语音的文本，支持多语种混合输入，最长 `600` 字符。
`voice`	string	是	系统音色名称，例如 `Cherry`、`Ethan`、`Serena`、`Chelsie` 等。完整列表参见阿里云官方音色列表 (opens in a new tab)。
`metadata.language_type`	string	否	指定合成音频的语种。不传时为 `Auto`。可选值：`Chinese`、`English`、`German`、`Italian`、`Portuguese`、`Spanish`、`Japanese`、`Korean`、`French`、`Russian`、`Auto`（大小写均可）。非法值会返回 `400` 错误，并在 `message` 中列出当前支持的完整语种列表。

请求示例

如果您使用 Windows 系统，建议使用 Postman 或其他 API 调用工具。

curl

curl https://api.modelverse.cn/v1/audio/speech \
  -H "Authorization: Bearer $MODELVERSE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-tts-flash",
    "input": "那我来给大家推荐一款T恤，这款呢真的是超级好看，这个颜色呢很显气质。",
    "voice": "Cherry"
  }'

Python

import os
import requests
 
resp = requests.post(
    "https://api.modelverse.cn/v1/audio/speech",
    headers={
        "Authorization": f"Bearer {os.getenv('MODELVERSE_API_KEY')}",
        "Content-Type": "application/json",
    },
    json={
        "model": "qwen3-tts-flash",
        "input": "那我来给大家推荐一款T恤，这款呢真的是超级好看，这个颜色呢很显气质。",
        "voice": "Cherry",
    },
)
 
data = resp.json()
audio_url = data["output"]["audio"]["url"]
print("audio url:", audio_url)
 
# 下载音频
audio_bytes = requests.get(audio_url).content
with open("output.wav", "wb") as f:
    f.write(audio_bytes)

指定语种（可选）

当输入文本为单一语种时，通过 metadata.language_type 显式指定语种可获得更精准的发音和更自然的语调，效果通常优于默认的 Auto：

curl https://api.modelverse.cn/v1/audio/speech \
  -H "Authorization: Bearer $MODELVERSE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-tts-flash",
    "input": "今天天气真好，我们去公园散步吧。",
    "voice": "Cherry",
    "metadata": {
      "language_type": "Chinese"
    }
  }'

响应格式

接口返回 application/json，为阿里云 DashScope 原始响应结构透传。客户端需从 output.audio.url 字段中取得音频 URL，再自行下载。URL 有效期为 24 小时。

输出

参数	类型	描述
`request_id`	string	本次请求的唯一标识，可用于定位和排查问题。
`code`	string	业务错误码，成功时为空字符串。
`message`	string	业务错误信息，成功时为空字符串。
`output`	object	模型输出。
`output.finish_reason`	string	结束原因：生成中为 `null`，正常结束为 `stop`。
`output.audio`	object	合成音频信息。
`output.audio.url`	string	合成音频的完整文件 URL，有效期 24 小时。
`output.audio.data`	string	流式输出时的 Base64 音频数据；当前仅同步模式，固定为空字符串。
`output.audio.id`	string	音频信息的 ID。
`output.audio.expires_at`	integer	音频 URL 的过期时间戳。
`usage`	object	本次请求的用量信息。
`usage.characters`	integer	输入文本字符数，计费依据。
`usage.input_tokens`	integer	固定为 `0`。
`usage.output_tokens`	integer	固定为 `0`。

响应示例

{
  "request_id": "5c63c65c-cad8-4bf4-959d-xxxxxxxxxxxx",
  "code": "",
  "message": "",
  "output": {
    "finish_reason": "stop",
    "audio": {
      "data": "",
      "url": "https://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/xx/xxxxxxxx.wav?Expires=1766113409&OSSAccessKeyId=LTAI5xxxxxx&Signature=xxxxxx",
      "id": "audio_5c63c65c-cad8-4bf4-959d-xxxxxxxxxxxx",
      "expires_at": 1766113409
    }
  },
  "usage": {
    "input_tokens": 0,
    "output_tokens": 0,
    "characters": 195
  }
}

错误响应

当请求失败时，接口会返回标准 JSON 格式错误响应：

{
  "error": {
    "message": "错误描述信息",
    "type": "invalid_request_error",
    "code": "error_code",
    "param": "<请求 ID，用于反馈或排查错误原因>"
  }
}

注意事项

响应不是二进制音频流：与 OpenAI 原生 /v1/audio/speech 不同，本接口返回 JSON 而非音频字节。若此前使用 OpenAI SDK 的 with_streaming_response.create(...).stream_to_file(...)，请改为解析 JSON 并二次下载 output.audio.url。
音频 URL 有效期 24 小时：请及时下载，或保存到自己的对象存储。
文本长度限制：最长 600 字符，超长文本请自行切分。
计费方式：按字符数计费，以上游返回的 usage.characters 为准。
音色选择：voice 字段需传入阿里云系统音色名称（如 Cherry），完整列表参见阿里云官方文档。

MiniMax/speech-hd 常见问题答疑