Qwen-Audio 与 CosyVoice 合成

SpeechSynthesizer HTTP、SSE 和 inference WebSocket 的参数、音频与事件。

适用模型：qwen-audio-3.0-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-flash、cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2、cosyvoice-v1。完整协议和用量对应关系见模型概览。

HTTP 与参数

POST /api/v1/services/audio/tts/SpeechSynthesizer
Authorization: Bearer $MODELSELL_API_KEY
Content-Type: application/json

cosyvoice-v1 仅用下文的 WebSocket，或标准 speech 桥接。

字段	类型	要求 / 用途
`model`	string	必填，完整模型 ID
`input.text`	string	必填，朗读文本
`input.voice`	string	必填，系统或专属音色
`input.format`	string	可选，`mp3` / `wav` / `pcm` / `opus`，能力依模型而定
`input.sample_rate`	integer	可选，采样率；示例用 24000 Hz
`input.volume` / `rate` / `pitch`	number	可选，音量、语速、音调
`input.instruction`	string	可选，受支持模型的风格、方言等指令
`input.language_hints`	string[]	可选，目标语种，如 `["zh"]`
`input.enable_ssml`	boolean	可选，使用 SSML 文本时设为 `true`
`input.word_timestamp_enabled`	boolean	可选，流式字时间戳，依音色而定
`input.seed`	integer	可选，随机种子；可以显式为 `0`
`input.hot_fix`	object	可选，`pronunciation` / `replace` 热修复词表

详细范围和模型限制见页末官方 API。系统音色不可跨型号随意替换：已验证 Qwen-Audio 3.1 使用 longanhuan_v3.1、3.0 Flash 使用 longanhuan_v3.6，CosyVoice v3 使用 longanyang。v2 / v3.5 可先创建绑定该模型的专属音色。

curl --fail-with-body "$MODELSELL_BASE_URL/api/v1/services/audio/tts/SpeechSynthesizer" \
  -H "Authorization: Bearer $MODELSELL_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "cosyvoice-v3-flash",
    "input": {"text": "欢迎收听本期节目。", "voice": "longanyang", "format": "mp3", "sample_rate": 24000, "rate": 1.0}
  }' --output response.json

返回与 SSE

普通响应保留请求 ID、音频 URL 和用量，以下仅示意关键字段：

{"request_id":"REQUEST_ID","output":{"finish_reason":"stop","audio":{"url":"SIGNED_AUDIO_URL","data":"","id":"AUDIO_ID","expires_at":0}},"usage":{"characters":9}}

Qwen-Audio 3.1 的用量是 input_tokens / output_tokens。下载 output.audio.url 即可保存完整音频；若直接需要字节，使用 /v1/audio/speech。

在请求头添加 X-DashScope-SSE: enable，并使用 curl -N 接收 SSE。按空行划分事件，将同一事件所有 data: 行合并后解析 JSON。音频分片位于 output.audio.data，按顺序 Base64 解码。sentence-begin、sentence-synthesis、sentence-end 与 output.sentence.words 保留分句及字时间戳；用量可能为累计值，不能逐分片求和。

双向 WebSocket

连接 $MODELSELL_WS_URL/api-ws/v1/inference?model=cosyvoice-v3-flash。握手带 Bearer 请求头；查询参数用于权限与路由，任务体仍必须指定相同模型。

发送 run-task，task_id 使用新 UUID。
收到 task-started 后发送一个或多个 continue-task。
发送 finish-task，继续读取二进制音频直到 task-finished。
遇到 task-failed 检查错误；同一连接可用新任务 ID 再发任务，模型保持不变。

{
  "header": {"action": "run-task", "task_id": "NEW_UUID", "streaming": "duplex"},
  "payload": {
    "task_group": "audio", "task": "tts", "function": "SpeechSynthesizer",
    "model": "cosyvoice-v3-flash", "input": {},
    "parameters": {"text_type": "PlainText", "voice": "longanyang", "format": "mp3", "sample_rate": 24000}
  }
}

HTTP 的 input 合成选项在 WS 中放入 payload.parameters，文本通过后续事件发送：

{"header":{"action":"continue-task","task_id":"NEW_UUID","streaming":"duplex"},"payload":{"input":{"text":"欢迎收听本期节目。"}}}

{"header":{"action":"finish-task","task_id":"NEW_UUID","streaming":"duplex"},"payload":{"input":{}}}

音频是 二进制帧，不是 JSON/Base64。SSML 开启后只发送一次 continue-task；字时间戳和指令支持范围仍由具体模型、音色决定。cosyvoice-v1 可用 longxiaochun，不支持所有新版本选项。

官方参考：Qwen-Audio HTTP、CosyVoice HTTP、WS 客户端事件、实时合成。核对日期：2026-10-06。

Qwen-Audio 与 CosyVoice 合成

HTTP 与参数

返回与 SSE

双向 WebSocket

On this page