CosyVoice｜Qwen3-TTS｜MiniMax语音合成模型选择指南

一、标准语音合成还是自定义音色？

语音合成模型可将文本转换为自然语音。首先确定您需要使用内置音色还是自定义音色：

• 使用标准语音合成：当内置音色库能满足需求，希望快速上手、无需额外配置时。
• 使用自定义音色：当需要品牌专属声音、复刻特定人物音色，或创建全新角色音色时。

二、声音复刻还是声音设计？

如果选择自定义音色，有两种方式创建：

• 使用声音复刻：当已有目标人物的录音素材，希望在合成中还原该音色时。
• 使用声音设计：当没有录音素材，希望根据文字描述从零创建全新音色时。

三、指令控制

用自然语言描述期望的表达方式，可按请求动态控制语速、情绪和风格。例如"用温柔的语气，语速稍慢"或"用激动的播报风格"。适用于情感化内容制作、专业播报、有声读物等需要丰富表现力的场景。

支持指令控制的模型：

• Qwen-Audio-TTS 系列：qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash
• CosyVoice 系列：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash
• Qwen-TTS 系列：qwen3-tts-instruct-flash-realtime、qwen3-tts-instruct-flash

详细使用方式请参见实时语音合成 > 指令控制。

四、推荐模型

以下为各场景下最推荐的模型，可前往模型广场查看详情。

五、所有模型详解

5.1 Qwen-Audio-TTS

支持的语言：

• 系统音色（因音色而异）：中文（普通话）、英文
• 声音复刻音色（方言通过指令控制功能进行设置）：中文（普通话、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）、英文、日语、韩语、德语、法语、意大利语、俄语、葡萄牙语、泰语、印尼语、马来语、越南语

5.2 CosyVoice

部分 CosyVoice 模型支持 SSML 标记和 LaTeX 公式朗读。

支持的语言（按版本）：

• cosyvoice-v3.5-plus、cosyvoice-v3.5-flash（不支持系统音色）：
  • 声音复刻音色（方言通过指令控制功能进行设置）：中文（普通话、广东话、东北话、甘肃话、贵州话、河南话、湖北话、江西话、闽南话、宁夏话、山西话、陕西话、山东话、上海话、四川话、天津话、云南话）、英文、法语、德语、日语、韩语、俄语、葡萄牙语、泰语、印尼语、越南语
  • 声音设计音色：中文（普通话）、英文
• cosyvoice-v3-plus：
  • 系统音色（因音色而异）：中文（普通话）、英文
  • 声音复刻音色（方言通过指令控制功能进行设置）：中文（普通话、广东话、东北话、甘肃话、贵州话、河南话、湖北话、江西话、闽南话、宁夏话、山西话、陕西话、山东话、上海话、四川话、天津话、云南话）、英文、法语、德语、日语、韩语、俄语
  • 声音设计音色：中文（普通话）、英文
• cosyvoice-v3-flash：
  • 系统音色（因音色而异，部分方言由系统音色直接支持，部分通过指令控制功能设置）：中文（普通话、广东话、东北话、河南话、湖南话、陕西话、山东话、四川话、安徽话、闽南话）、英文、日语、韩语、印尼语
  • 声音复刻音色（方言通过指令控制功能进行设置）：中文（普通话、广东话、东北话、甘肃话、贵州话、河南话、湖北话、江西话、闽南话、宁夏话、山西话、陕西话、山东话、上海话、四川话、天津话、云南话）、英文、法语、德语、日语、韩语、俄语、葡萄牙语、泰语、印尼语、越南语
  • 声音设计音色：中文（普通话）、英文
• cosyvoice-v2（不支持声音设计音色）：
  • 系统音色（因音色而异）：中文（普通话、粤语、东北话、闽南话、陕西话）、英文、日语、韩语
  • 声音复刻音色：中文（普通话）、英文
• cosyvoice-v1（不支持声音设计音色）：
  • 系统音色（因音色而异）：中文（普通话）、英文
  • 声音复刻音色：中文（普通话）、英文

5.3 Qwen3-TTS

支持的语言（按版本）：

• Qwen3-TTS-Flash 系列（系统音色）（qwen3-tts-flash、qwen3-tts-flash-2025-11-27、qwen3-tts-flash-2025-09-18、qwen3-tts-flash-realtime、qwen3-tts-flash-realtime-2025-11-27、qwen3-tts-flash-realtime-2025-09-18）：中文（普通话、北京话、上海话、四川话、南京话、陕西话、闽南话、天津话、粤语，因音色而异）、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语
• Qwen3-TTS-Instruct-Flash 系列（系统音色）（qwen3-tts-instruct-flash、qwen3-tts-instruct-flash-2026-01-26、qwen3-tts-instruct-flash-realtime、qwen3-tts-instruct-flash-realtime-2026-01-22）：中文（普通话）、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语
• Qwen3-TTS-VC 系列（声音复刻）（qwen3-tts-vc-2026-01-22、qwen3-tts-vc-realtime-2026-01-15、qwen3-tts-vc-realtime-2025-11-27）：中文（普通话）、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语
• Qwen3-TTS-VD 系列（声音设计）（qwen3-tts-vd-2026-01-26、qwen3-tts-vd-realtime-2026-01-15、qwen3-tts-vd-realtime-2025-12-16）：中文（普通话）、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语

5.4 MiniMax

5.5 Qwen-TTS（旧版，按 Token 计费）

以下为按 Token 计费的旧版 Qwen-TTS 模型。若您已迁移到 Qwen3-TTS，可优先使用前文推荐的模型。

支持的语言（按版本）：

• Qwen-TTS 系列（系统音色）（qwen-tts、qwen-tts-latest、qwen-tts-2025-05-22、qwen-tts-2025-04-10）：中文（普通话、北京话、上海话、四川话，因音色而异）、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语
• Qwen-TTS-Realtime 系列（系统音色）（qwen-tts-realtime、qwen-tts-realtime-latest、qwen-tts-realtime-2025-07-15）：中文（普通话）、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语

六、选型建议小结

• 追求合成质量与表现力：首选 qwen-audio-3.0-tts-plus 或 cosyvoice-v3.5-plus，二者均支持指令控制，可动态调整语速、情绪与风格。
• 需要快速复刻人物音色：推荐 qwen-audio-3.0-tts-flash 或 MiniMax/speech-2.8-hd，仅需少量音频样本即可完成复刻。
• 无录音素材、需创建全新音色：选择 cosyvoice-v3.5-plus 或 cosyvoice-v3.5-flash，通过文字描述生成专属音色。
• 实时交互场景（客服、语音助手）：建议使用 WebSocket 接入的 -realtime 系列模型，享受最低延迟。
• 音频内容制作（有声阅读、播报）：HTTP 接入即可满足需求，开发成本更低。