前言说明
Ai方言配音基于最新的Qwen-Audio-TTS语音合成系列模型，支持系统音色、声音复刻（声音克隆）、声音设计（音色设计），并支持自然语言指令控制、情感与富语言标签、SSML 与 LaTeX。本教程按「能力 → 方言 → 指令 → 标签 → 本站操作 → 案例」的顺序说明，看完即可直接在本站使用。
本站工具入口：Qwen-Audio-TTS 语音合成。
一、四个模型与能力对照
| 模型 | 定位 | 声音复刻 | 音色设计 | 指令控制 | 情感与富语言标签 |
|---|---|---|---|---|---|
qwen-audio-3.1-tts-plus |
旗舰音质，适合有声书、影视配音、品牌声音 | 支持 | 支持 | 支持 | 支持 |
qwen-audio-3.1-tts-flash |
低延迟，适合实时交互、多语种场景 | 支持 | 支持 | 支持 | 支持 |
qwen-audio-3.0-tts-plus |
综合表现均衡，通用推荐 | 支持 | 支持 | 支持 | 支持 |
qwen-audio-3.0-tts-flash |
速度优先，适合批量生成、快速试听 | 支持 | 支持 | 支持 | 支持 |
二、音色类型与语言支持
1. 系统音色
系统音色的语言因音色而异，多数为中文（普通话）和英文。其中 qwen-audio-3.1-tts-plus 有四个「多语种与方言音色」，均支持下列全部方言和语言：
| 音色 | voice 参数 | 支持范围 |
|---|---|---|
| 龙安欢_v3.1 | longanhuan_v3.1 |
方言：上海话、广东话、东北话、重庆话、陕西话、云南话、宁波话、甘肃话 语言：日语、韩语、法语、德语、葡萄牙语、意大利语、越南语、印尼语（另含中文、英文） |
| 龙安灵心_v3.1 | longanlingxin_v3.1 |
|
| 龙安风悦_v3.1 | longanfengyue_v3.1 |
|
| 许南川_v3.1 | xunanchuan_v3.1 |
部分系统音色本身自带某一种方言（例如方言音色），直接选择该音色即可输出对应方言，无需再写指令；具体以音色列表中的「语言」标注为准。
2. 复刻音色（声音克隆）
复刻音色支持范围最广：普通话 + 20 种中文方言 + 英语、日语、韩语、俄语、法语、德语、葡萄牙语、泰语、印尼语、越南语、西班牙语、意大利语、马来西亚语、菲律宾语、阿拉伯语。其中 qwen-audio-3.1-tts-flash 还支持 50 余种其他语种（保加利亚语、荷兰语、匈牙利语、土耳其语等）。该能力通过 API 的 language_hints=other 使用；本站目标语言下拉已提供「其他语种（仅 qwen-audio-3.1-tts-flash）」，选择其他模型时该项不可用。
支持的 20 种方言：广东话、重庆话、东北话、甘肃话、贵州话、浙江话、河北话、河南话、湖北话、湖南话、江西话、宁波话、宁夏话、青岛话、陕西话、山西话、山东话、上海话、四川话、云南话。
方言通过指令控制功能设置，固定写法为「请用X话表达。」，例如「请用河南话表达。」。
3. 设计音色（音色设计）
设计音色仅支持中文（普通话）和英文，暂不支持方言。如果业务必须使用方言，请改用系统音色或复刻音色。
设计音色的音色描述（voice_prompt）最多 500 个字符，仅支持中文和英文；预览文本（preview_text）长度需在 15～200 个字符之间。
三、指令控制
指令控制用自然语言描述音调、语速、情感、角色和方言，不需要调复杂参数。四个模型的系统音色和复刻音色均可输入任意指令；本站指令框限制 100 字符（汉字按 2 个字符计算，其他按 1 个）。
常用示例：
- 用温柔的语气，语速稍慢。
- 请用激动的语气播报，语速偏快。
- 你现在说话的角色是一个旁白，你说话的情感是neutral。
- 请用四川话表达。
- 请用河南话表达。
四、方言使用方式
| 音色类型 | 支持情况 | 怎么用 |
|---|---|---|
| 系统音色 | 因音色而异 | 自带方言的音色：直接选择音色即可；支持指令切换的音色：在指令框写「请用X话表达。」 |
| 复刻音色 | 20 种方言 + 普通话 | 在指令框写「请用X话表达。」 |
| 设计音色 | 不支持 | 需要方言时改用系统音色或复刻音色 |
在本站「语音合成」页选中音色后，指令控制区域会自动出现「方言」下拉（仅当该音色确实可切换方言时显示）。选择方言后会自动把「请用X话表达。」写入指令，无需手动输入。
五、情感与富语言标签
Qwen-Audio-TTS 支持在待合成文本中直接嵌入标签：控制类标签用于设定情感或风格，富语言类标签用于在当前位置插入笑声、叹息等拟声效果。
标签必须使用英文原文 + 方括号，例如 [sad]，不要写成圆括号，也不要翻译成中文。官方文档标注支持的型号为 qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash；本站仅对这三个模型显示「情感标签」按钮，qwen-audio-3.1-tts-plus 不支持。
1. 控制类标签（23 个）
| 标签 | 含义 |
|---|---|
[sad] |
悲伤 |
[amazed] |
惊叹 |
[deep and loud shouting] |
深沉大声呐喊 |
[trembling] |
颤抖 |
[angry] |
愤怒 |
[excited] |
兴奋 |
[sarcastic] |
讽刺 |
[curious] |
好奇 |
[like dracula] |
德古拉风格（低沉、阴森） |
[bored] |
无聊 |
[tired] |
疲惫 |
[scornful] |
轻蔑 |
[shouting] |
大喊 |
[asmr] |
ASMR 轻柔耳语 |
[panicked] |
恐慌 |
[mischievously] |
调皮 |
[empathetic] |
共情 |
[whispers] |
耳语 |
[reluctantly] |
不情愿 |
[crying] |
哭泣 |
[serious] |
严肃 |
[very slowly] |
非常缓慢地说话 |
[very fast] |
非常快速地说话 |
控制类标签作用于其后的所有文本，直到遇到下一个控制类标签，或因句子较长被自动切分为止。
2. 富语言类标签（7 个）
| 标签 | 含义 |
|---|---|
[gasp] |
倒吸一口气 |
[sighing] |
叹息 |
[clears throat] |
清嗓 |
[giggles] |
咯咯笑 |
[laughing] |
大笑 |
[cough] |
咳嗽 |
[snorts] |
哼声、嗤笑 |
富语言类标签只在当前位置插入拟声效果，不影响前后文本的情感风格。
3. 组合示例
[excited]今天的天气真不错！[laughing]我们一起出去玩吧！：整段为兴奋语气，并在中间插入笑声。[serious]请注意安全事项。[excited]好了，现在让我们开始吧！：第一句严肃，第二句切换为兴奋。
六、SSML 与 LaTeX
需要精细控制停顿、发音、数字读法时，可开启本站的 SSML 开关，用 <speak>...</speak> 包裹文本。官方 SSML 清单为 qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash；本站四个模型均开放 SSML 开关，3.1-tts-plus 建议实测。数学公式可直接写成 LaTeX（如 $x = \frac{-b \pm \sqrt{b^2-4ac}}{2a}$），模型会按中文习惯朗读。
七、在本站怎么操作
1. 语音合成
- 打开 Qwen-Audio-TTS 语音合成，选择「语音合成」标签页。
- 在文本框输入要合成的文字（本站上限 20000 字符，汉字按 2 个字符计）。
- 需要情感或拟声：点击「情感标签」，从弹窗中点击标签即可插入到光标位置。
- 点击「音色选择」，选择系统音色或个人音色。选音色后模型会自动切换，请不要再手动改模型。
- 按需设置：目标语言（提升数字、符号、小语种的读法）、指令控制（含方言下拉）、语速、音量、语调。
- 需要精细发音控制时，打开 SSML 开关并编辑 SSML 文本。
- 点击「开始合成」，在「合成结果」页试听或下载。
2. 声音克隆（复刻音色）
- 切换到「声音克隆」标签页。
- 填写音色名称（最多 20 个字符），上传清晰的参考音频。
- 填写音频对应文本（可选，可提升复刻效果），选择语言提示。
- 点击「开始克隆」，等待审核。仅状态为「审核通过」的音色可用于合成。
- 合成时选择该音色即可；音色绑定创建时的目标模型，不能跨模型使用。
3. 音色设计
- 切换到「音色设计」标签页。
- 填写音色名称，选择目标模型（四个模型均可）。
- 填写声音描述（最多 500 字符，中/英文），例如「沉稳的中年男性播音员，音色低沉浑厚，富有磁性，语速平稳」。
- 填写试听文本（15～200 字符），选择语言（中文/英文）、采样率和音频格式。
- 点击「创建声音设计」，试听预览音频；满意后即可在合成时选用。
八、可直接套用的使用案例
案例 1：有声书旁白（旗舰音质）
- 模型：
qwen-audio-3.1-tts-plus；音色：自己复刻的旁白音色。 - 文本：
[serious]夜色渐深，城里的灯一盏盏亮起。[sighing]他望着窗外，久久没有说话。 - 指令：语速稍慢，语气沉稳。
- 效果：整体严肃、语速偏慢，并在指定位置插入叹息。
案例 2：河南话口播短视频
- 模型：
qwen-audio-3.0-tts-plus；音色：任意复刻音色（不要用设计音色）。 - 文本：
叫你去买盐，你买回来一袋面，这不是弄啥嘞吗！ - 指令：
请用河南话表达。 - 说明：也可在方言下拉中直接选择「河南话」，系统会自动写入同样的指令。
案例 3：多语种产品介绍
- 模型：
qwen-audio-3.1-tts-flash；音色：龙安欢_v3.1 等多语种音色。 - 目标语言：英语（或日语、韩语等）。
- 文本：英文产品卖点，包含数字和型号。
- 说明：指定目标语言后，数字、缩写、符号的读法会更准确。
案例 4：情绪化短视频配音
- 模型：
qwen-audio-3.0-tts-flash；音色：系统音色或复刻音色。 - 文本：
[excited]家人们！今天这个价格真的离谱！[laughing]我都不敢相信！ - 说明：控制类标签负责兴奋语气，富语言标签负责插入笑声。
九、常见问题
Q1：为什么选了音色后模型自动变了？
音色在创建时绑定了目标模型，跨模型合成会失败。本站会在选择音色后自动切换模型，请不要手动修改。
Q2：为什么方言没有生效？
先确认音色类型：设计音色不支持方言；系统音色要看是否自带或支持指令切换；复刻音色需要在指令框写「请用X话表达。」。另外，文本本身也应是该方言的用词和语序。
Q3：为什么标签被直接念出来了？
标签必须是英文原文加方括号，例如 [sad]；写成中文、圆括号或全角括号都可能被当作正文朗读。
Q4：文本能有多长？音频能保存多久？
本站单个文本框最多 20000 字符（汉字按 2 个字符计）。合成结果的音频链接有效期为 24 小时，过期后重新合成即可。
Q5：情感标签所有模型都能用吗？
官方标签清单标注的是 3.1-tts-flash、3.0-tts-plus、3.0-tts-flash，本站也只对这三个模型显示标签入口；3.1-tts-plus 不支持。
十、相关文档
- Qwen-Audio-TTS 语音合成工具
- CosyVoice｜Qwen3-TTS｜MiniMax 语音合成模型选择指南
- CosyVoice 与 Qwen-Audio-TTS 系列模型方言支持情况对比
- 情感与富语言标签清单
- 声音设计描述编写教程
评论(0)