实时语音合成，支持19个语音，用通俗语言进行传达指令，内联情感和声音标签，并通过SSE或WebSocket进行音频流式传输。
Alibaba Cloud音频生成发布日期 2026年9月23日Singapore专有端点新实时语音合成，支持19个语音，用通俗语言进行传达指令，内联情感和声音标签，并通过SSE或WebSocket进行音频流式传输。
从19个带语音的语音中选择一个。通过指令和文本内的内联标签来指导表达。速度和音高可以改变渲染长度，而不改变计费代币。
也称为 Qwen Audio TTS, Alibaba Cloud Qwen Audio 3.1 TTS
qwen-audio-3-1-tts/v1/audio/speechPOST/v1/audio/speech:streamWEBSOCKET/v1/realtimeqwen-audio-3.1-ttsqwen-audio-3.1-tts-flashalibaba/qwen-audio-3-1-tts来自 EmpirioLabs 目录的实时按量计费价格。只为实际用量付费，没有月度最低消费。
Qwen Audio 3.1 TTS 通过 POST /v1/audio/speech 生成语音并返回可播放的音频。把要朗读的文本作为 input，连同模型 ID qwen-audio-3-1-tts 一起发送。 在EmpirioLabs 控制台获取 API 密钥。
curl https://api.empiriolabs.ai/v1/audio/speech \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen-audio-3-1-tts",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/speech",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={"model": "qwen-audio-3-1-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)EmpirioLabs 上 Qwen Audio 3.1 TTS API 支持的请求参数。省略字段时使用默认值。
| 参数 | 类型 | 默认值 | 范围 / 值 | 描述 |
|---|---|---|---|---|
| input | string | - | 最大 10000 | 文本合成，每个请求最多10,000个字符。这些内联标签会从出现时起改变表达方式：[悲伤]、[惊讶]、[深沉且响亮的喊叫]、[颤抖]、[愤怒]、[兴奋]、[讽刺]、[好奇]、[像德古拉]、[无聊]、[疲惫]、[轻蔑]、[喊叫]、[ASMR]、[惊慌]、[调皮地]、[同理心]、[低语]、[勉强]、[哭泣]、[严肃]、[非常慢]、[非常快... |
| voice | enum | Emily_v3.1 | Emily_v3.1, Luna_v3.1, Eric_v3.1, Luca_v3.1, Abby_v3.1, Annie... | 语音预设。15个英语语音显示英语，4个多语言语音显示中文、英语及其他语言。每个语音ID以_v3.1结尾，例如Emily_v3.1。 |
| response_format | enum | mp3 | mp3, wav, pcm, opus | 音频容器。mp3 和 opus 是压缩的，wav 是 RIFF 头部的无压缩 PCM，而 PCM 是无头的原始样本，用于分块播放。 |
| sample_rate | enum | 24000 | 8000, 12000, 16000, 22050, 24000, 44100, 48000 | 输出采样率为Hz。24000适合语音播放，48000则在更大文件大小下提供广播质量的输出。 |
| speed | number | 1 | 0.5 到 2 | 说话速度倍数。0.5是半速，2.0是双倍速。 |
| pitch | number | 1 | 0.5 到 2 | 音高倍率。低于1.0的数值会降低声音，超过的数值会提升音高。音高还会影响渲染音频的节奏，所以当你想保持原始时长时，可以把音高和速度配合使用。 |
| volume | integer | 50 | 0 到 100 | 输出响度，50是参考电平。 |
| instruction | string | - | 最大 1000 | 自然语言表达，最多可达1000个字符。控制情绪、语调、角色、节奏和说话风格，例如“快速以兴奋、欢快的语气说话”或“像深夜电台主持人一样慢慢朗读”。 |
| language_hints | array | - | zh, en, fr, de, ja, ko, ru, pt, th, id, vi, es, it, ms, fil, ar | 语言编码会偏向混合语言文本的发音，例如[“zh”， “en”]。保持未设置，让模型检测语言。 |
| seed | integer | 0 | 0 到 65535 | 采样种子。重复使用输入和设置相同的种子，以实现可重复渲染。 |
| bit_rate | integer | 32000 | 6000 到 510000 | 编码码率以BPS为单位。仅适用于opus格式，mp3、wav和pcm则被忽略。 |
| pronunciation | object | - | - | 发音覆盖书写形式键位，例如{“重要”：“zhong4 yao4}。用它来修正名字、缩写和同形字。 |
| replace | object | - | - | 合成前应用的文字替换，例如 {“EmpirioLabs”： “Empirio Labs”}。对品牌名和缩写非常有用。 |
| enable_markdown_filter | boolean | false | - | 在合成前去除诸如星号和下划线等Markdown语法，避免格式化字符被朗读出来。 |
在 EmpirioLabs，Qwen Audio 3.1 TTS 按量计费：输入 $0.46 每100万个提示词标记; 产出 $3.74 每100万个生成代币。本页的实时价格表始终与 API 的实际计费一致。
Qwen Audio 3.1 TTS 通过 api.empiriolabs.ai 上的 POST /v1/audio/speech 提供，使用标准的 Bearer 令牌认证。
打开EmpirioLabs Playground并点击 Start session，即可在浏览器中试用。Qwen Audio 3.1 TTS 运行在 WebSocket 上，而不是一次请求一次响应，因此接入时请从实时语音快速入门开始。用 EmpirioLabs API 密钥和模型 id qwen-audio-3-1-tts 从你的服务器连接，然后双向流式传输音频。
创建 EmpirioLabs 账户，然后在控制台的 API Keys生成密钥。计费使用按量付费的额度，只为实际发出的请求付费。
