阿里云百炼 TTS 文档

当前线上同时支持 Edge TTS(免费) 和阿里云百炼(付费,听感更自然)。

项目当前默认: Edge TTS(因为免费),阿里云是降级/fallback 选项。要切换默认改 server/src/config/models.json 的 tts.defaultVendor: bailian。

关键配置文件

1. `server/.env`

DASHSCOPE_API_KEY=sk-c25679401ba24c749f53be86b0c9a7a6
DASHSCOPE_MODEL=qwen3-tts-instruct-flash  # 默认 TTS 模型
DASHSCOPE_TTS_MODELS=qwen3-tts-flash      # 备用模型列表(逗号分隔)
DASHSCOPE_VOICE=Cherry                   # Qwen-TTS 默认音色
DASHSCOPE_USE_REALTIME=true              # 启用流式 WebSocket
DASHSCOPE_REALTIME_MODEL=qwen3-tts-instruct-flash-realtime

2. `server/src/config/models.json`

TTS 供应商注册(在 vendor registry 里维护):

{
  "tts": {
    "defaultVendor": "edge",                    // 当前默认
    "defaultModel": "edge-tts",
    "defaultVoice": "zh-CN-XiaoxiaoNeural",
    "bailian": {
      "priority": 3,
      "models": [
        { "id": "cosyvoice-v3-flash",   "enabled": true },
        { "id": "qwen3-tts-instruct-flash", "enabled": true },
        { "id": "qwen3-tts-flash",        "enabled": true }
      ]
    }
  }
}

### 3. `server/src/modules/tts/tts.service.ts:243` ALIYUN_VOICE_MAP

前端统一 ID(voice_01~voice_10)→ 阿里云真实音色的映射(代码里):

| 前端 ID | 阿里云音色 | 描述 |
|---------|------------|------|

> 命名规律:"龙"+性格(安欢/安洋/呼呼/媛/逸尘/老伯/华/硕/安柔/泡泡),"_v3" 后缀是 cosyvoice V3 模型系列。

## 阿里云 TTS 模型对照

| 模型 ID | 系列 | 特点 | 项目是否启用 |
|---------|------|------|-------------|
| `cosyvoice-v3-flash` | CosyVoice | 中文专精,支持方言和情感 instruct,**降速是模型级**(非后处理) | ✅ |
| `cosyvoice-v2` | CosyVoice | 中文 V2,质量好但慢 | ❌(备用) |
| `qwen3-tts-instruct-flash` | Qwen-TTS | 多语言,支持自然语言 instruct("语速较慢") | ✅(.env 默认) |
| `qwen3-tts-flash` | Qwen-TTS | 多语言快速版 | ✅(备用) |

## 当前默认音色: Cherry

- **模型:** `qwen3-tts-instruct-flash`
- **音色名:** Cherry
- **性别:** 女声
- **支持语言:** 中文(普通话)、英文、粤语等

要换音色:

bash

.env

DASHSCOPE_VOICE=longanhuan_v3 # 或 voice_01(代码会映射)

或者直接传 ID(只对 cosyvoice 有效)

DASHSCOPE_VOICE=longyichen_v3 # 龙逸尘阳光男声


## 切换整个 vendor 到阿里云(全量替换 Edge TTS)

编辑 `server/src/config/models.json`:

diff "tts": {

"defaultVendor": "edge",

"defaultVendor": "bailian", "defaultModel": "qwen3-tts-instruct-flash", "defaultVoice": "Cherry" }


然后 `pm2 restart server` 即可,所有新生成的音频都会走阿里云(消耗 dashscope 余额)。

## 完整 voice 列表(从阿里云控制台)

**当前缺口:** DashScope 没提供程序化的 voice list API(POST `/services/audio/tts/SpeechSynthesizer/voices` 一直返回 "url error"),所以本节需要手动维护。

获取方式:

1. 登录 [阿里云百炼控制台](https://bailian.console.aliyun.com/)
2. 进入 **模型服务 → 语音合成 → 音色列表**
3. 切换模型(cosyvoice / qwen-tts 分别看)
4. 复制音色清单 → 提交 PR 补到本节

或者翻到 `https://help.aliyun.com/zh/model-studio/cosyvoice-voice-list` 这个官方页面手工抄。

### 已知 / 项目支持(从代码汇总)

| 音色 | 系列 | 性别 | 描述 |
|------|------|------|------|
| `Cherry` | Qwen-TTS | 女 | Qwen-TTS 默认,中文/英文 |
| `longanhuan_v3` | CosyVoice | 女 | 元气女声,支持 Instruct |
| `longanyang` | CosyVoice | 男 | 阳光男声,支持 Instruct |
| `longhuhu_v3` | CosyVoice | 女童 | 飞天泡泡音,支持 Instruct |
| `longyuan_v3` | CosyVoice | 女 | 温暖治愈 |
| `longyichen_v3` | CosyVoice | 男 | 阳光活力,支持 Instruct |
| `longlaobo_v3` | CosyVoice | 男 | 沧桑老伯 |
| `longhua_v3` | CosyVoice | 女 | 元气甜美 |
| `longshuo_v3` | CosyVoice | 男 | 清朗男声 |
| `longanrou_v3` | CosyVoice | 女 | 温柔闺蜜,支持 Instruct |
| `longpaopao_v3` | CosyVoice | 女童 | 飞天泡泡音,支持 Instruct |

> 注:CosyVoice V3 系列里更多音色(龙小白/龙大叔/龙小美等)代码里没引用,需要时直接换 `.env` 的 `DASHSCOPE_VOICE` 即可(API 不校验)。

## 语速控制差异(对比 Edge TTS)

| 实现 | 等价于播放器减速? | 听感自然度 |
|------|-------------------|----------|
| **Edge TTS `--rate=-22%`** | **是**(后处理拉伸) | 一般 |
| **Qwen-TTS Instruct "语速较慢"** | **否**(模型级慢生成) | **更好**(模型重新设计停顿和韵律) |

结论:
- Edge TTS 路径下,所有 voiceParams.speed 都被忽略(强制 1.0)。用户想减速用播放器 UI 倍速按钮(详情见 commit dd1fea03)。
- 阿里云路径下,preserve speed 参数,通过 instruct("语速较慢")传给模型,听感更好。

## 常见问题

**Q: 阿里云音色比 Edge TTS 贵多少?**

A: 阿里云按字符计费,cosyvoice-v3-flash 价格约 ¥0.00003/字,4000 字章节音频约 ¥0.12。qwen-tts 类似价。Edge TTS 免费。

**Q: 怎么测试某个音色?**

bash

1. 在 .env 改 DASHSCOPE_VOICE=longyichen_v3

2. 调用 /api/tts/generate 走默认 vendor=bailian 路径

3. 或在 models.json 把 defaultVendor 改成 bailian


**Q: 音色 ID 拼错了会怎样?**

A: 阿里云不会本地验证,直接发 HTTP 请求,服务端返回 400 或用默认音色(不会报错)。

## CosyVoice 指令使用指南(重要)

> 来源:阿里云官方文档 https://help.aliyun.com/zh/model-studio/cosyvoice-voice-list,2025-07-12 摘录。
> 本项目用的是 `cosyvoice-v3-flash`(默认)和 `qwen3-tts-instruct-flash`,下面的指令规则适用。

### 支持的 4 个模型

| 模型 | 价格层 | 推荐场景 |
|------|--------|----------|
| `cosyvoice-v3.5-plus` | 高质量 | 重点音频,情感/语速精细控制 |
| `cosyvoice-v3.5-flash` | 快速 | 日常大批量 |
| `cosyvoice-v3-plus` | 老款 | 兼容已有集成 |
| `cosyvoice-v3-flash` | 快速 | **项目当前默认** |

### 不同模型对指令的格式要求

| 模型 | 声音复刻 / 设计音色 | 系统音色 |
|------|--------------------|----------|
| cosyvoice-v3.5-plus | 可输入任意指令(自由描述) | ❌ v3.5 不支持系统音色 |
| cosyvoice-v3.5-flash | 可输入任意指令 | ❌ v3.5 不支持系统音色 |
| cosyvoice-v3-plus | ❌ 不支持指令控制 | 指令必须固定格式(见 CosyVoice 音色列表) |
| cosyvoice-v3-flash | 可输入任意指令 | 指令必须固定格式 |

使用方式:通过 `instruction` 参数指定指令内容。

### 指令支持的语言

| 模型 | 声音复刻 | 系统音色 |
|------|---------|----------|
| v3.5-plus / v3.5-flash | 中 / 英 / 法 / 德 / 日 / 韩 / 俄 / 葡 / 泰 / 印尼 / 越南 | ❌ 不支持 |
| v3-plus | 中 / 英 / 法 / 德 / 日 / 韩 / 俄 | 固定格式 |
| v3-flash | 中 / 英 / 法 / 德 / 日 / 韩 / 俄 | 中文 |

### 指令长度限制

**不超过 100 字符**(按以下规则计数):
- 汉字(简体 / 繁体 / 日文汉字 / 韩文汉字)**按 2 个字符**
- 其他字符(标点 / 字母 / 数字 / 日韩假名 / 谚文等)按 1 个字符

example "温柔知性的女性,30 岁左右,语调平和,适合有声书朗读" 温柔=2 + 知性=2 + 的=1 + 女性=2 + ,=1 + 30=2 + 岁=1 + 左右=2 + ... ≈ 70 字符 ✅


### 适用场景

- 有声书和广播剧配音
- 广告和宣传片配音
- 游戏角色和动画配音
- 情感化的智能语音助手
- 纪录片和新闻播报

### 如何编写高质量的声音描述

#### 5 个核心原则

1. **具体而非模糊** — 用"低沉 / 清脆 / 语速偏快"等具体特征,避免"好听 / 普通"
2. **多维而非单一** — 组合"性别 + 年龄 + 情感 + 用途"等维度,只写"女声"太宽泛
3. **客观而非主观** — 用"音调偏高,带有活力"代替"我最喜欢的声音"
4. **原创而非模仿** — 描述声音特质,**不要**要求模仿特定人物(涉版权风险)
5. **简洁而非冗余** — 每个词都有明确作用,避免重复修饰

#### 7 个推荐描述维度

| 维度 | 可选值 |
|------|--------|
| 性别 | 男性 / 女性 / 中性 |
| 年龄 | 儿童(5-12) / 青少年(13-18) / 青年(19-35) / 中年(36-55) / 老年(55+) |
| 音调 | 高音 / 中音 / 低音 / 偏高 / 偏低 |
| 语速 | 快速 / 中速 / 缓慢 / 偏快 / 偏慢 |
| 情感 | 开朗 / 沉稳 / 温柔 / 严肃 / 活泼 / 冷静 / 治愈 |
| 特点 | 有磁性 / 清脆 / 沙哑 / 圆润 / 甜美 / 浑厚 / 有力 |
| 用途 | 新闻播报 / 广告配音 / 有声书 / 动画角色 / 语音助手 / 纪录片 |

#### 描述示例(从官方复制,微调措辞)

1. **标准播音风格**:吐字清晰精准,字正腔圆
2. **年轻活泼女性**:语速较快,带有明显的上扬语调,适合介绍时尚产品
3. **沉稳中年男性**:语速缓慢,音色低沉有磁性,适合朗读新闻或纪录片解说
4. **温柔知性女性**:30 岁左右,语调平和,适合有声书朗读
5. **可爱儿童**:大约 8 岁女孩,说话略带稚气,适合动画角色配音

### 项目内当前用法的指令格式

代码 `server/src/modules/tts/aliyun.provider.ts:103-105` 给 Qwen-TTS Instruct 用的指令格式:

ts if (params.speed !== 1) instructions.push(语速${params.speed > 1 ? '较快' : '较慢'}); if (params.pitch !== 0) instructions.push(音调${params.pitch > 0 ? '较高' : '较低'}); ```

例如 speed=0.78 → "语速较慢"(符合 v3-flash 的指令规则,因为 speed 描述在系统音色固定格式内)。

注意事项

字数限制 100 字符很严,所以"语速较慢"比"语速稍微放缓一点"更好(后者汉字太多可能超限)
优先用声音特征描述(性别 + 年龄 + 音调),避免纯情绪词("治愈的"),后者难以稳定生成
不要混用语言,指令要全中文(系统音色)或全英文/全日文(复刻音色)
自定义音色的指令自由度更高,可以实验长 prompt,但要测听感

tts-aliyun-voice.md 9.9 KB History Raw