audio_codebuddy/tts-summary.md

阿里云百炼 TTS 语音合成 完整总结

基于阿里云官方文档整理：非实时语音合成 | CosyVoice音色列表 | 模型选型指南 | 指令控制

---

一、三大模型系列对比

维度	🥇 CosyVoice V3.5	🥈 Qwen3-TTS	🥉 MiniMax
合成质量	最高（官方首选）	中等	中等偏上
系统音色数	80+（V3-Flash）	有限	有限
声音复刻	✅	✅（仅vc模型）	✅
声音设计	✅	✅（仅vd模型）	❌
指令控制	✅	✅（仅instruct）	❌
中文方言	17种	9种	少量
外语支持	9种	8种	视模型
情感控制	通过指令	通过指令	✅ 直接参数
语速/音调	通过指令	通过指令	✅ 直接参数
通信协议	WS + HTTP	HTTP（部分WS）	仅HTTP
地域	仅北京	北京+新加坡	仅北京
推荐场景	全场景旗舰	轻量快速	需精确参数控制

模型版本详情

模型	API协议	声音复刻	声音设计	指令控制	定位
cosyvoice-v3.5-plus ⭐	WS/HTTP	✅	✅	✅	功能最全，效果最佳
cosyvoice-v3.5-flash	WS/HTTP	✅	✅	✅	功能全，速度更快
cosyvoice-v3-plus	WS/HTTP	✅	✅	❌	无指令控制
cosyvoice-v3-flash	WS/HTTP	✅	✅	✅	轻量快速版
cosyvoice-v2	WS/HTTP	✅	❌	❌	旧版，仅复刻
qwen3-tts-flash	HTTP	❌	❌	❌	基础版，仅系统音色
qwen3-tts-instruct-flash	HTTP/WS	❌	❌	✅	支持指令控制
qwen3-tts-vc	HTTP/WS	✅	❌	❌	专注声音复刻
qwen3-tts-vd	HTTP/WS	❌	✅	❌	专注声音设计
MiniMax/speech-2.8-hd	HTTP	✅	❌	❌	高清，声音复刻
MiniMax/speech-2.8-turbo	HTTP	✅	❌	❌	快速，声音复刻

---

二、模型选型决策树

需要自定义音色？
├── 是 → CosyVoice V3.5-Plus（最全能：复刻+设计+指令控制）
└── 否 → 需要情感/语速精确参数控制？
    ├── 是 → MiniMax（speed/pitch/emotion 直接参数）
    └── 否 → 需要指令控制或方言？
        ├── 是 → CosyVoice V3-Flash（80+音色+Instruct，17种方言）
        └── 否 → Qwen3-TTS-Flash（最简单便宜）

---

三、前置准备

# 1. 获取 API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# 2. 设置环境变量
export DASHSCOPE_API_KEY="sk-xxxxxxxx"

⚠️ 注意：非实时语音合成仅在北京地域可用（dashscope.aliyuncs.com），新加坡地域需使用对应端点。

---

四、CosyVoice 使用方法（推荐，效果最好）

端点

https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

4.1 非流式（返回音频URL）

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "text": "你好，欢迎使用语音合成服务。",
      "voice": "longanyang",
      "format": "mp3",
      "sample_rate": 24000
    }
}'

响应示例：

{
  "output": {
    "audio": {
      "url": "https://xxx.oss-cn-beijing.aliyuncs.com/xxx.mp3",
      "expires_at": "2026-06-15T14:00:00Z"
    }
  }
}

⚠️ 音频URL 24小时内有效，过期后需重新调用接口。

4.2 流式（边生成边返回PCM）

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-H "X-DashScope-SSE: enable" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "text": "你好，欢迎使用语音合成服务。",
      "voice": "longanyang",
      "format": "pcm",
      "sample_rate": 24000
    }
}'

4.3 指令控制（方言/情绪）

⚠️ 仅支持 Instruct 的音色可用，详见音色列表中的标记。

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "text": "叫你去买盐，你买回来一袋面，这不是弄啥嘞吗！",
      "voice": "longanhuan_v3",
      "format": "mp3",
      "sample_rate": 24000,
      "instruction": "请用河南话表达，语气要夸张搞笑。"
    }
}'

CosyVoice 核心参数

参数	必填	说明
model	✅	cosyvoice-v3.5-plus / cosyvoice-v3.5-flash / cosyvoice-v3-plus / cosyvoice-v3-flash / cosyvoice-v2
input.text	✅	待合成文本
input.voice	✅	音色ID，见下方音色列表
input.format	❌	wav / mp3 / pcm，默认wav
input.sample_rate	❌	采样率，如 24000
input.instruction	❌	自然语言指令，≤100字符（汉字按2字符计），仅支持Instruct的音色可用

---

五、Qwen3-TTS 使用方法

端点

https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

5.1 普通非流式

curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-tts-flash",
    "input": {
        "text": "那我来给大家推荐一款T恤。",
        "voice": "Cherry",
        "language_type": "Chinese"
    }
}'

5.2 指令控制版（qwen3-tts-instruct-flash）

curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-tts-instruct-flash",
    "input": {
        "text": "欢迎来到我们的直播间，今天给大家带来超值福利！",
        "voice": "Cherry",
        "language_type": "Chinese",
        "instructions": "年轻活泼的女性声音，语速较快，带有明显的上扬语调，适合直播带货"
    }
}'

5.3 流式（SSE）

添加 Header X-DashScope-SSE: enable 即可，返回 Base64 编码的 PCM 音频片段。

curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-H 'X-DashScope-SSE: enable' \
-d '{
    "model": "qwen3-tts-flash",
    "input": {
        "text": "你好啊，我是千问",
        "voice": "Cherry",
        "language_type": "Chinese"
    }
}'

Qwen-TTS 核心参数

参数	必填	说明
model	✅	qwen3-tts-flash / qwen3-tts-instruct-flash / qwen3-tts-vc / qwen3-tts-vd / qwen-tts
input.text	✅	待合成文本
input.voice	✅	音色ID（见Qwen-TTS音色列表）
input.language_type	✅	"Chinese" / "English" 等
input.instructions	❌	声音描述指令，≤1600 Token（仅instruct模型）

---

六、MiniMax 使用方法

端点

https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

⚠️ MiniMax 仅在北京地域可用，仅支持 HTTP。

非流式（含情感/语速/音调控制）

curl -X POST "https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "MiniMax/speech-2.8-hd",
  "input": {
    "text": "今天天气真不错，适合出去走走。",
    "voice_setting": {
      "voice_id": "male-qn-qingse",
      "speed": 1,
      "vol": 1,
      "pitch": 0,
      "emotion": "happy"
    },
    "audio_setting": {
      "sample_rate": 32000,
      "bitrate": 128000,
      "format": "mp3",
      "channel": 1
    }
  }
}'

流式

添加 Header X-DashScope-SSE: enable 即可。

MiniMax 核心参数

参数	必填	说明
model	✅	MiniMax/speech-2.8-hd / MiniMax/speech-2.8-turbo / MiniMax/speech-02-hd / MiniMax/speech-02-turbo
input.text	✅	待合成文本
voice_setting.voice_id	✅	音色ID
voice_setting.speed	❌	语速，默认1
voice_setting.vol	❌	音量，默认1
voice_setting.pitch	❌	音调，0为基准
voice_setting.emotion	❌	情感：happy / sad / angry 等
audio_setting.sample_rate	❌	采样率（如 32000）
audio_setting.bitrate	❌	比特率（如 128000）
audio_setting.format	❌	mp3 / wav
audio_setting.channel	❌	声道数，默认1

---

七、CosyVoice V3-Flash 音色速查表

🌟 标杆音色（支持 Instruct 指令控制）

voice参数	名称	特质	语言
longanyang	龙安洋	20-30岁 阳光大男孩	普通话+英文
longanhuan_v3	龙安欢V3	20-30岁 欢脱元气女	普通话+英文+8种方言
longhuhu_v3	龙呼呼	6-10岁 天真烂漫女童	普通话+英文

👶 儿童/故事机场景

voice参数	名称	特质
longpaopao_v3	龙泡泡	6-15岁 飞天泡泡音
longjielidou_v3	龙杰力豆	10岁 阳光顽皮男
longxian_v3	龙仙	12岁 豪放可爱女
longling_v3	龙铃	10岁 稚气呆板女
longshanshan_v3	龙闪闪	6-15岁 戏剧化童声
longniuniu_v3	龙牛牛	6-15岁 阳光男童声

🗣️ 方言音色

voice参数	方言	特质
longjiaxin_v3	粤语	30-35岁 优雅粤语女
longjiayi_v3	粤语	25-30岁 知性粤语女
longanyue_v3	粤语	25-35岁 欢脱粤语男
longlaotie_v3	东北话	25-30岁 东北直率男
longshange_v3	陕西话	25-35岁 原味陕北男
longanmin_v3	闽南话	18-25岁 清纯萝莉女

📖 有声书场景

voice参数	名称	特质
longmiao_v3	龙妙	25-30岁 抑扬顿挫女
longsanshu_v3	龙三叔	25-45岁 沉稳质感男
longyuan_v3	龙媛	35-40岁 温暖治愈女
longyue_v3	龙悦	30-35岁 温暖磁性女
longxiu_v3	龙修	25-35岁 博才说书男
longnan_v3	龙楠	25-30岁 睿智青年男
longwanjun_v3	龙婉君	20-30岁 细腻柔声女
longyichen_v3	龙逸尘	20-30岁 洒脱活力男
longlaobo_v3	龙老伯	60岁以上 沧桑岁月爷
longlaoyi_v3	龙老姨	60岁以上 烟火从容阿姨

📢 新闻播报

voice参数	名称	特质
loongbella_v3	Bella3.0	25-30岁 精准干练女
longshuo_v3	龙硕	25-30岁 博才干练男
longshu_v3	龙书	20-25岁 沉稳青年男

🛒 直播带货

voice参数	名称	特质
longanran_v3	龙安燃	30-40岁 活泼质感女
longanxuan_v3	龙安宣	30-40岁 经典直播女

🎬 短视频配音

voice参数	名称	特质
longjiqi_v3	龙机器	20-30岁 呆萌机器人
longhouge_v3	龙猴哥	20-25岁 经典猴哥
longdaiyu_v3	龙黛玉	15-25岁 娇率才女音

📞 客服/语音助手

voice参数	名称	特质
longyingling_v3	龙应聆	25-30岁 温和共情女
longyingjing_v3	龙应静	25-35岁 低调冷静女
longyingtao_v3	龙应桃	25-30岁 温柔淡定女
longyingxiao_v3	龙应笑	20-25岁 清甜推销女
longyingxun_v3	龙应询	20-25岁 年轻青涩男
longxiaochun_v3	龙小淳	25-30岁 知性积极女
longxiaoxia_v3	龙小夏	25-30岁 沉稳权威女
longanyun_v3	龙安昀	30-35岁 居家暖男

🎭 社交陪伴

voice参数	名称	特质
longhua_v3	龙华	20-25岁 元气甜美女
longcheng_v3	龙橙	20-25岁 智慧青年男
longze_v3	龙泽	25-30岁 温暖元气男
longzhe_v3	龙哲	25-30岁 呆板大暖男
longyan_v3	龙颜	30-35岁 温暖春风女
longxing_v3	龙星	20-25岁 温婉邻家女
longtian_v3	龙天	30-35岁 磁性理智男
longwan_v3	龙婉	20-30岁 细腻柔声女
longqiang_v3	龙嫱	30-35岁 浪漫风情女
longfeifei_v3	龙菲菲	20-25岁 甜美娇气女
longhao_v3	龙浩	30-35岁 多情忧郁男
longanrou_v3	龙安柔	20-35岁 温柔闺蜜女
longhan_v3	龙寒	30-35岁 温暖痴情男

🌍 出海营销（外语原生）

美式英文：loongabby_v3, loongandy_v3, loongannie_v3, loongava_v3, loongbeth_v3, loongbetty_v3, loongcally_v3, loongcindy_v3, loongdavid_v3, loongdonna_v3

英式英文：loongemily_v3, loongeric_v3, loongluna_v3, loongluca_v3

日语：loongriko_v3（二次元霓虹女）, loongtomoka_v3, loongtomoya_v3, loongyuuna_v3, loongyuuma_v3

韩语：loongkyong_v3, loongjihun_v3

印尼语：loongindah_v3

---

八、场景推荐速查表

场景	推荐音色	voice参数	模型
通用男声	龙安洋（阳光大男孩）	longanyang	cosyvoice-v3-flash
通用女声	龙安欢（元气女）	longanhuan_v3	cosyvoice-v3-flash
儿童故事	龙呼呼（天真女童）	longhuhu_v3	cosyvoice-v3-flash
有声书男	龙三叔（沉稳质感）	longsanshu_v3	cosyvoice-v3-flash
有声书女	龙媛（温暖治愈）	longyuan_v3	cosyvoice-v3-flash
直播带货	龙安燃（活泼质感女）	longanran_v3	cosyvoice-v3-flash
新闻播报	Bella3.0（精准干练女）	loongbella_v3	cosyvoice-v3-flash
粤语	龙嘉欣（优雅粤语女）	longjiaxin_v3	cosyvoice-v3-flash
东北话	龙老铁（东北直率男）	longlaotie_v3	cosyvoice-v3-flash
陕西话	龙陕哥（原味陕北男）	longshange_v3	cosyvoice-v3-flash
英语美式	loongabby（美式女）	loongabby_v3	cosyvoice-v3-flash
英语英式	loongemily（英式女）	loongemily_v3	cosyvoice-v3-flash
日语	Riko（二次元霓虹女）	loongriko_v3	cosyvoice-v3-flash
客服	龙应聆（温和共情女）	longyingling_v3	cosyvoice-v3-flash
电话销售	龙应笑（清甜推销女）	longyingxiao_v3	cosyvoice-v3-flash
语音助手	龙小淳（知性积极女）	longxiaochun_v3	cosyvoice-v3-flash

---

九、常见问题

Q：音频文件链接的有效期是多久？ A：音频文件链接在生成后 24 小时 内有效。链接过期后，重新调用接口即可获取新链接。

Q：流式和非流式如何选择？ A：非实时场景（有声书、配音制作）用非流式；需要边生成边播放用流式（需加 X-DashScope-SSE: enable Header）。

Q：如何切换音色？ A：修改 input.voice 参数即可，需使用模型支持范围内的音色 ID。

Q：北京和新加坡地域有什么区别？ A：北京地域支持 CosyVoice + Qwen-TTS + MiniMax 全系列；新加坡地域仅支持 Qwen-TTS 部分模型，需使用新加坡 API Key。

---

十、指令控制（Instruct Control）详细指南

指令控制允许通过自然语言描述直接控制合成语音的音调、语速、情感和音色特点，无需调整复杂的音频参数。

---

10.1 CosyVoice 指令控制

支持模型与限定条件

模型	系统音色	声音复刻/设计音色
cosyvoice-v3.5-plus / v3.5-flash	不支持系统音色	✅ 可输入任意指令
cosyvoice-v3-plus	⚠️ 指令须用固定格式（见音色列表）	❌ 不支持指令控制
cosyvoice-v3-flash	⚠️ 指令须用固定格式（见音色列表）	✅ 可输入任意指令

⚠️ 对于 v3-plus 和 v3-flash 的系统音色，指令内容必须严格遵循官方音色列表中规定的固定格式，不能随意编写。

系统音色指令固定格式

对于 cosyvoice-v3-plus 和 cosyvoice-v3-flash 的系统音色（如 longanyang、longanhuan_v3 等），instruction 必须使用以下严格格式：

设置情感：{emotion}。

格式要求：

• 必须使用中文
• 严格按 设置情感：{emotion}。 格式填写
• 包括标点符号（冒号、句号）不可遗漏
• 结尾必须有句号

支持的情感值（7种）：

情感值	中文含义	适用场景
neutral	中性	普通叙述、信息播报
happy	开心	祝福、庆祝、积极内容
sad	悲伤	伤感故事、悼念内容
angry	愤怒	激烈辩论、争吵场景
fearful	恐惧	悬疑故事、惊悚内容
surprised	惊讶	意外发现、惊叹内容
disgusted	厌恶	嫌弃、反感表达

正确示例：

# ✅ 正确格式（v3-flash + 系统音色）
curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "text": "我家的后面有一个很大的花园。",
      "voice": "longanyang",
      "format": "wav",
      "sample_rate": 24000,
      "instruction": "设置情感：happy。"
    }
}'

# ✅ 正确格式
"instruction": "设置情感：sad。"
"instruction": "设置情感：surprised。"
"instruction": "设置情感：neutral。"

错误示例：

# ❌ 遗漏句号
"instruction": "设置情感：happy"

# ❌ 英文描述（系统音色不支持）
"instruction": "Please use a happy tone."

# ❌ 随意格式（系统音色不支持）
"instruction": "用开心的语气说"

# ❌ 多内容拼接
"instruction": "设置情感：happy。语速快一点。"

💡 提示：如果需要灵活的指令控制（任意自然语言描述），请使用 cosyvoice-v3.5-plus / v3.5-flash + 声音复刻/设计音色，此时 instruction 不受此格式限制。

参数

参数	类型	说明
instruction	string	自然语言指令，控制语音表现力

支持语言

模型	声音复刻/设计音色	系统音色
cosyvoice-v3.5-plus/flash	中、英、法、德、日、韩、俄、葡、泰、印尼、越南语	无系统音色
cosyvoice-v3-plus	中、英、法、德、日、韩、俄语	指令用固定格式（中文为主）
cosyvoice-v3-flash	中、英、法、德、日、韩、俄语	仅中文

长度限制

• 不超过 100 字符
• 汉字（含简体、繁体、日文汉字、韩文汉字）按 2 个字符 计算
• 其他字符（标点、字母、数字、假名、谚文等）按 1 个字符 计算

示例代码

方言控制示例：

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "text": "我家的后面有一个很大的花园。",
      "voice": "longanyang",
      "format": "wav",
      "sample_rate": 24000,
      "instruction": "请用河南话表达。"
    }
}'

情绪/风格控制示例：

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3.5-flash",
    "input": {
      "text": "欢迎来到我们的直播间，今天给大家带来超值福利！",
      "voice": "<复刻音色ID>",
      "format": "mp3",
      "sample_rate": 24000,
      "instruction": "语速偏快，语调上扬，充满激情和感染力，适合直播带货"
    }
}'

---

10.2 Qwen-TTS 指令控制

支持模型

• 仅 qwen3-tts-instruct-flash 系列（普通版 qwen3-tts-flash 不支持）
  • qwen3-tts-instruct-flash（稳定版）
  • qwen3-tts-instruct-flash-2026-01-26（快照版）

参数

参数	类型	必填	说明
instructions	string	❌	自然语言声音描述
optimize_instructions	boolean	❌	是否自动优化指令，默认 false

支持语言

• 仅支持中文和英文描述

长度限制

• 不超过 1,600 Token（基于 tokenizer 计算，非字符数）

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

示例代码

curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-tts-instruct-flash",
    "input": {
        "text": "你好，这是指令控制示例。",
        "voice": "Cherry",
        "language_type": "Chinese",
        "instructions": "沉稳的中年男性，语速缓慢，音色低沉有磁性",
        "optimize_instructions": true
    }
}'

---

10.3 编写高质量声音描述的指南（Qwen-TTS）

五大核心原则

原则	说明	反例
具体而非模糊	使用"低沉"、"清脆"、"语速偏快"等描绘性词语	❌ "好听"、"普通"
多维而非单一	同时描述性别、年龄、情感、用途等多个维度	❌ 只说"女声"
客观而非主观	聚焦声音的物理和感知特征	❌ "我最喜欢的声音"
原创而非模仿	描述特质，不要求模仿特定人物	❌ "像周杰伦的声音"
简洁而非冗余	每个词语都有明确作用	❌ 重复同义词

描述维度参考表

维度	可选项 / 示例
性别	男性、女性、中性
年龄	儿童（5-12岁）、青少年（13-18岁）、青年（19-35岁）、中年（36-55岁）、老年（55岁以上）
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、纪录片解说

优秀指令示例

场景	指令内容
标准播音	"吐字清晰精准，字正腔圆"
时尚带货	"年轻活泼的女性声音，语速较快，带有明显的上扬语调，适合介绍时尚产品"
新闻解说	"沉稳的中年男性，语速缓慢，音色低沉有磁性，适合朗读新闻或纪录片解说"
有声书	"温柔知性的女性，30岁左右，语调平和，适合有声书朗读"
动画角色	"可爱的儿童声音，大约8岁女孩，说话略带稚气，适合动画角色配音"

---

10.4 CosyVoice vs Qwen-TTS 指令控制对比

维度	CosyVoice	Qwen-TTS
参数名	instruction	instructions
长度限制	100 字符（汉字×2）	1,600 Token
支持语言	中/英/法/德/日/韩/俄等	仅中/英文
系统音色	⚠️ 仅固定格式（v3-plus/flash）	❌ 不支持
复刻/设计音色	✅ 任意指令	❌ 不支持指令控制
方言	✅ 通过指令切换	❌ 需选方言音色
自动优化	❌	✅ optimize_instructions

---

10.5 指令控制最佳实践

1. 选对模型：CosyVoice 音色多+方言强，Qwen-TTS 指令长度更宽松
2. v3-plus/flash 系统音色注意：指令必须用固定格式（见音色列表），不可随意编写
3. v3.5-plus/flash 最灵活：配合声音复刻/设计音色可实现任意指令控制
4. 方言两种方式：CosyVoice 可直接用方言音色，也可用 instruction 指定方言
5. 指令要具体：避免模糊描述，从性别、年龄、音调、语速、情感、用途多维度描述
6. 开启优化：Qwen-TTS 建议开启 optimize_instructions: true 提升效果
7. 地域注意：指令控制仅北京地域可用，新加坡地域不支持

---

十一、最终推荐

追求效果 → cosyvoice-v3-flash + longanyang/longanhuan_v3，80+音色随便选

需要指令控制情绪/方言 → cosyvoice-v3-flash + instruction 参数（仅限标杆音色）

需要精确控制语速/音调/情感 → MiniMax/speech-2.8-hd + voice_setting 参数

最简单快速 → qwen3-tts-flash + 系统音色

极致效果/自定义音色 → cosyvoice-v3.5-plus（声音复刻 + 声音设计 + 指令控制）

---

十二、tonggan 项目 TTS 音色推荐

基于 tonggan 产品设计文档（儿童注意力训练 App，5-12 岁，AI 教练角色），从 CosyVoice 80+ 音色中精选适配方案。

---

12.1 tonggan 语音需求回顾

需求维度	产品要求	对音色的要求
角色定位	AI 注意力训练教练	亲切、可信赖、像大姐姐/大哥哥
目标用户	5-12 岁儿童	声音不能机械、不能冷淡、不能可怕
性别偏好	女声优先	音调偏高、温暖柔和
语速要求	rate=0.9（偏慢）	清哳可辨，孩子能跟上
情感要求	鼓励为主，不否定	开心、温柔、惊喜（避免愤怒/恐惧/厌恶）
使用场景	指令播报、实时鼓励、休息引导、故事朗读	不同场景可用不同音色
丰富度要求	鼓励语 8 种变化，语调随机化	需要支持 Instruct 控制情绪变化

---

12.2 🥇 首选方案：双音色组合（推荐）

角色	音色	voice参数	特质	支持 Instruct
主教练（女声）	龙安欢 V3	longanhuan_v3	20-30岁 欢脱元气女	✅
辅助音色（男声）	龙安洋	longanyang	20-30岁 阳光大男孩	✅

为什么选这两个：

• ✅ 都是标杆音色，合成质量最高
• ✅ 都支持 Instruct 指令控制，可以通过 instruction 动态切换情绪
• ✅ 声音亲切阳光，不机械不冰冷，适合儿童
• ✅ 一男一女组合，可以区分不同场景避免单调
• ✅ longanhuan_v3 额外支持 8 种方言，未来可扩展趣味方言模式

---

12.3 📋 场景音色分配表

场景	推荐音色	voice参数	情感指令	说明
指令播报（听指令做动作）	龙安欢 V3	longanhuan_v3	设置情感：happy。	元气女声，孩子喜欢听
正向鼓励（"太棒了！"）	龙安欢 V3	longanhuan_v3	设置情感：surprised。	惊喜上扬语调
温柔提醒（"再试一次～"）	龙安欢 V3	longanhuan_v3	设置情感：neutral。	平静温和不施压
静坐挑战	龙安洋	longanyang	设置情感：neutral。	沉稳男声帮助安定
舒尔特方格	龙安洋	longanyang	设置情感：happy。	中性活力播报
休息引导（"喝口水吧～"）	龙安欢 V3	longanhuan_v3	设置情感：neutral。	温柔关心
结算庆祝	龙安欢 V3	longanhuan_v3	设置情感：happy。	热烈庆祝
故事朗读（复述故事）	龙媛	longyuan_v3	❌ 不支持	35-40岁 温暖治愈女，讲故事最合适

---

12.4 🎭 进阶方案：多角色音色矩阵

当产品打磨到一定阶段，可以为不同场景配置更多音色增加趣味性：

日常训练主教练

优先级	音色	voice参数	特质	适用
⭐	龙安欢 V3	longanhuan_v3	欢脱元气女	主力教练（支持Instruct）
⭐	龙安洋	longanyang	阳光大男孩	辅助教练（支持Instruct）
②	龙星	longxing_v3	温婉邻家女	柔和版女教练
②	龙泽	longze_v3	温暖元气男	活力版男教练
③	龙华	longhua_v3	元气甜美女	更甜美风格
③	龙安柔	longanrou_v3	温柔闺蜜女	更亲密风格

故事朗读（复述故事）

优先级	音色	voice参数	特质
⭐	龙媛	longyuan_v3	35-40岁 温暖治愈女
⭐	龙三叔	longsanshu_v3	25-45岁 沉稳质感男
②	龙悦	longyue_v3	30-35岁 温暖磁性女
②	龙妙	longmiao_v3	25-30岁 抑扬顿挫女
③	龙老伯	longlaobo_v3	60岁以上 沧桑岁月爷（爷爷讲故事）
③	龙老姨	longlaoyi_v3	60岁以上 烟火从容阿姨（奶奶讲故事）

趣味角色（游戏化元素）

音色	voice参数	特质	使用场景
龙呼呼	longhuhu_v3	6-10岁 天真烂漫女童 ⭐	同龄小伙伴角色，训练伙伴
龙机器	longjiqi_v3	呆萌机器人	机器人裁判/计时器
龙猴哥	longhouge_v3	经典猴哥	中国风趣味角色
龙杰力豆	longjielidou_v3	10岁 阳光顽皮男	男孩训练伙伴
龙仙	longxian_v3	12岁 豪放可爱女	女孩训练伙伴

⚠️ 儿童音色（龙呼呼等）也支持 Instruct，可以用 设置情感：happy。 让它更生动。

---

12.5 🎯 首版最小方案（P0，推荐立即采用）

只选 3 个音色，覆盖全部场景：

#	音色	voice参数	覆盖场景	选择理由
1	龙安欢 V3	longanhuan_v3	指令播报、正向鼓励、休息引导、结算庆祝	女声首选，支持Instruct切换情绪
2	龙安洋	longanyang	静坐挑战、舒尔特方格	男声区分场景，同样支持Instruct
3	龙媛	longyuan_v3	故事朗读（复述故事）	专业讲故事音色，温暖治愈

使用模型：cosyvoice-v3-flash（80+音色全支持，有 Instruct）

Instruct 情感策略：只用 3 种正向情感

情感	指令	何时使用
happy	设置情感：happy。	指令播报、积极鼓励、结算庆祝
neutral	设置情感：neutral。	静坐引导、温柔提醒、休息提示
surprised	设置情感：surprised。	惊喜鼓励（孩子连续做对时）

❌ 不使用 sad、angry、fearful、disgusted —— 与 tonggan"不打击孩子"的产品原则一致。

---

12.6 🔧 TTS 调用封装建议

// tonggan TTS 服务封装（伪代码）
const TTS_SERVICE = {
  model: 'cosyvoice-v3-flash',
  voices: {
    coach: 'longanhuan_v3',      // 主教练
    assistant: 'longanyang',     // 辅助教练
    storyteller: 'longyuan_v3',  // 讲故事
  },
  
  // 情感映射
  emotions: {
    encourage: '设置情感：happy。',
    calm: '设置情感：neutral。',
    surprise: '设置情感：surprised。',
  },
  
  // 场景调用
  async speakInstruction(text: string) {
    return tts(text, this.voices.coach, this.emotions.encourage);
  },
  async speakPraise(text: string) {
    // 随机选择情感增加变化
    const emo = Math.random() > 0.7 ? this.emotions.surprise : this.emotions.encourage;
    return tts(text, this.voices.coach, emo);
  },
  async speakCalm(text: string) {
    return tts(text, this.voices.assistant, this.emotions.calm);
  },
  async tellStory(text: string) {
    return tts(text, this.voices.storyteller); // 无Instruct
  },
};

---

12.7 📊 方案对比

方案	音色数	开发量	体验丰富度	推荐阶段
最小方案（3音色）	3	低	⭐⭐⭐	🟢 首版 P0
双音色+情感（2音色+Instruct）	2+情感	中	⭐⭐⭐⭐	🟡 P1 优化
多角色矩阵（8+音色）	8+	高	⭐⭐⭐⭐⭐	🔵 P2 丰富期

---

📅 整理日期：2026-06-14 📄 数据来源：阿里云百炼官方帮助文档

---

十三、声音设计（Voice Design）使用指南

文档来源：声音设计用户指南

13.1 概述

声音设计（Voice Design）无需音频样本，仅通过自然语言描述即可生成专属定制音色。适用于需要精确控制音色特征（音调、语速、年龄、情感）但不想被系统音色限制的场景。

13.2 支持模型

模型	描述长度上限	地域
cosyvoice-v3.5-plus	500字符	仅北京
cosyvoice-v3.5-flash	500字符	仅北京
cosyvoice-v3-plus	500字符	仅北京
cosyvoice-v3-flash	500字符	仅北京
qwen3-tts-vd 系列	2048字符	北京+新加坡

13.3 计费

模型	创建费用	配额
CosyVoice	免费 🆓	每账号最多1000个音色
Qwen-TTS	0.2元/次	90天内10次免费

⚠️ 音色若1年内未被使用，系统自动清理。

13.4 API 调用流程

步骤1：创建音色

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
      "action": "create_voice",
      "target_model": "cosyvoice-v3-flash",
      "voice_prompt": "25岁温柔大姐姐，中等偏沉音调、绝不尖锐刺耳，语速适中偏慢、吐字清晰，语气温暖亲切",
      "preview_text": "太棒了，你做得真好！",
      "prefix": "myvoice"
    },
    "parameters": {
      "sample_rate": 24000,
      "response_format": "mp3"
    }
}'

返回：

{
  "output": {
    "voice_id": "cosyvoice-v3-flash-vd-myvoice-xxxxxxxx",
    "preview_audio": {
      "data": "<base64编码音频>",
      "sample_rate": 24000,
      "response_format": "wav"
    }
  }
}

步骤2：使用定制音色合成

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-d '{
    "model": "cosyvoice-v3-flash",
    "input": {
      "text": "今天我们来做一个新游戏！",
      "voice": "cosyvoice-v3-flash-vd-myvoice-xxxxxxxx",
      "format": "mp3"
    }
}'

13.5 关键参数说明

参数	必填	说明
model	✅	固定为 voice-enrollment
action	✅	固定为 create_voice
target_model	✅	目标合成模型，如 cosyvoice-v3-flash
voice_prompt	✅	声音描述，≤500字符，仅中英文
preview_text	❌	预览音频朗读文本
prefix	❌	音色名前缀，≤10字符，仅英文字母+数字

13.6 声音描述编写指南

五大原则： | 原则 | 说明 | |------|------| | 具体不模糊 | "低沉""语速偏快" 而非 "好听" | | 多维度覆盖 | 性别、年龄、音调、语速、情感、特点、用途 | | 客观描述 | 聚焦物理/感知特征，不模仿特定人物 | | 简洁不冗余 | 每个词都有明确作用 |

描述维度参考：

维度	可选值
性别	男性、女性、中性
年龄	儿童(5-12)、青年(19-35)、中年(36-55)
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、圆润
用途	新闻播报、广告配音、有声书、动画角色、纪录片解说

高质量描述示例：

• "沉稳的中年男性，语速缓慢，音色低沉有磁性，适合朗读新闻或纪录片解说。"
• "年轻活泼的女性声音，语速较快，带有明显的上扬语调，适合介绍时尚产品。"

13.7 与系统音色对比

维度	系统音色	声音设计
音色数量	80+（固定）	无限（按需创建）
音调控制	看运气	✅ 精确描述
语速控制	❌ 不支持	✅ 描述控制
情感控制	❌ (需Instruct权限)	✅ 描述控制
创建成本	零	免费
适合场景	通用合成	需定制化声音

13.8 tonggan 项目使用建议

推荐方案：声音设计代替系统音色，因为：

1. 精确控制音色：可以指定"中等偏沉音调、绝不尖锐"，彻底解决儿童项目的声音尖锐问题
2. 完全免费：CosyVoice 声音设计不收费
3. 一次创建永久使用：voice_id 持续有效（需每年至少用一次）
4. 不满意可重来：相同描述每次结果不同，可多次生成选最优

tonggan 教练音色描述建议：

25-30岁温柔女性声音，中等偏沉音调、绝不能尖锐刺耳，
语速适中偏慢、吐字非常清晰圆润，
语气温暖亲切有亲和力，适合引导5-12岁儿童，
情感表达乐观积极，鼓励语气自然不做作。

⚠️ 实测提醒：当前 API Key 的 instruction 参数在所有模型均返回错误 428，无法通过指令控制系统音色的情感/语速。因此声音设计是唯一的精确控制方案。

---

十四、声音设计 API 完整参考

文档来源：声音设计API参考

14.1 服务端点

POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization

地域	端点
华北2（北京）	dashscope.aliyuncs.com
新加坡	{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com

通用请求头：

参数	值
Authorization	Bearer <api_key>
Content-Type	application/json

14.2 四种操作一览

操作	CosyVoice action	Qwen action	说明
创建音色	create_voice	create	用文字描述生成定制音色
查询列表	list_voice	list	分页查看所有已创建音色
查询详情	query_voice	query	查看单个音色详细信息
删除音色	delete_voice	delete	删除不再使用的音色

14.3 创建音色（完整参数）

Top-Level 参数：

参数	类型	必选	说明
model	string	✅	voice-enrollment（CosyVoice）或 qwen-voice-design（Qwen）
input	object	✅	输入参数对象
parameters	object	❌	音频输出参数配置

input 对象：

参数	类型	必选	CosyVoice	Qwen	说明
action	string	✅	create_voice	create	操作类型
target_model	string	✅	同左	同左	目标合成模型
voice_prompt	string	✅	≤500字符	≤2048字符	声音描述，仅中/英文
preview_text	string	✅	≤200字符	≤1024字符	预览朗读文本
prefix	string	条件	≤10字符，字母+数字	—	CosyVoice 音色名前缀
preferred_name	string	条件	—	≤16字符，字母+数字+下划线	Qwen 音色名前缀
language_hints	array	❌	["zh"] / ["en"]	—	语言倾向，仅处理第一个
language	string	❌	—	zh/en/de/it/pt/es/ja/ko/fr/ru	语言倾向

parameters 对象：

参数	类型	必选	CosyVoice	Qwen	默认值
sample_rate	int	❌	16000/24000/48000	8000/16000/24000/48000	24000
response_format	string	❌	pcm/wav/mp3	pcm/wav/mp3/opus	wav

返回体关键字段：

• output.voice_id：CosyVoice 音色 ID（后续合成使用）
• output.voice：Qwen 音色名称
• output.preview_audio.data：Base64 编码音频
• output.preview_audio.sample_rate：采样率
• output.preview_audio.response_format：音频格式
• usage.count：固定为 1

14.4 查询音色列表

input 参数：

参数	类型	必选	说明
action	string	✅	list_voice（CosyVoice）/ list（Qwen）
prefix	string	❌	按前缀筛选（仅 CosyVoice）
page_index	int	❌	页码索引
page_size	int	❌	每页条数

返回字段（CosyVoice）：

• output.voice_list[]：每项含 voice_id、gmt_create、gmt_modified、status、voice_prompt、preview_text

返回字段（Qwen）：

• 额外返回 page_index、page_size、total_count
• voice_list[] 中用 voice 代替 voice_id
• 包含 language、target_model，无 status

14.5 查询音色详情

参数	类型	必选	说明
action	string	✅	query_voice（CosyVoice）/ query（Qwen）
voice_id	string	条件	仅 CosyVoice，要查询的音色 ID
voice	string	条件	仅 Qwen，要查询的音色名称

14.6 删除音色

参数	类型	必选	说明
action	string	✅	delete_voice（CosyVoice）/ delete（Qwen）
voice_id	string	条件	仅 CosyVoice，要删除的音色 ID
voice	string	条件	仅 Qwen，要删除的音色名称

14.7 音色状态（仅 CosyVoice）

状态	含义
DEPLOYING	审核中/处理中
OK	✅ 审核通过，可正常使用
UNDEPLOYED	❌ 审核未通过，不可使用

💡 创建音色后建议轮询 query_voice 等待状态变为 OK 再使用。

14.8 CosyVoice vs Qwen 声音设计差异速查

维度	CosyVoice (voice-enrollment)	Qwen (qwen-voice-design)
创建 action	create_voice	create
描述长度	≤500字符	≤2048字符
预览文本	≤200字符	≤1024字符
音色标识	voice_id	voice
命名参数	prefix（≤10字符，字母+数字）	preferred_name（≤16字符）
状态管理	✅ 3种状态	❌ 无状态
分页信息	❌	✅ 返回 total_count
费用	免费	0.2元/次（90天内10次免费）
合成时使用	voice: voice_id	voice: voice（名称）

---

十五、audio_codebuddy 项目实测验证记录

📅 实测日期：2026-06-14 | 环境：阿里云 ECS 服务器 (8.159.134.106:22622) | API Key: sk-c2567...

15.1 核心配置（已验证可用）

{
  "model": "cosyvoice-v3-flash",
  "input": {
    "text": "你好测试",
    "voice": "longanhuan_v3",
    "format": "mp3",
    "sample_rate": 48000
  }
}

测试结果：✅ 调用成功，返回音频 URL

{
  "output": {
    "audio": {
      "url": "http://dashscope-result-bj.oss-cn-beijing.aliyuncs.com/...mp3"
    },
    "finish_reason": "stop"
  },
  "usage": { "characters": 8 }
}

15.2 同步 vs 流式模式选择

模式	CosyVoice v3-flash 系统音色	结论
同步非流式	✅ 返回 output.audio.url	推荐使用
SSE 流式 (X-DashScope-SSE: enable)	❌ 返回 text/event-stream 但 audioEvents=0	不可用

⚠️ 重要：CosyVoice v3-flash 系统音色的 SSE 流式模式会返回空的音频事件（audioEvents=0），必须走同步非流式模式获取音频 URL。

15.3 sample_rate 兼容性

sample_rate	文档说明	实测结果
24000	默认值	✅ 通过
48000	白名单支持	✅ 通过（tonggan 项目也用此值）

audio_codebuddy 当前使用 48000，与 tonggan 项目一致，已验证可用。

15.4 错误码速查表

HTTP状态 / 错误码	含义	原因	解决方案
428	Precondition Required	模型服务未在百炼控制台开通	到阿里云百炼控制台激活 CosyVoice 模型
400 (本地 curl)	Bad Request	Windows cmd/PowerShell 的 curl 对 JSON 转义处理有问题	用 Git Bash 或从服务器端测试
418	Unsupported voice	音色与模型不兼容（如 v3.5 模型用系统音色）	检查模型版本与音色的兼容性
429	Rate Limit	QPS 超限	降低并发或等待后重试

15.5 voice_id 映射验证

audio_codebuddy 的 10 个统一音色 → CosyVoice 真实音色映射验证结果：

统一ID	名称	CosyVoice 真名	支持Instruct	验证
voice_01	温柔女声	longanhuan_v3	✅	✅
voice_02	磁性男声	longanyang	✅	✅
voice_03	活泼女声	longhuhu_v3	✅	✅
voice_04	知性女声	longyuan_v3	❌	✅
voice_05	阳光男声	longyichen_v3	✅	✅
voice_06	沧桑男声	longlaobo_v3	❌	✅
voice_07	甜美女声	longhua_v3	❌	✅
voice_08	清朗男声	longshuo_v3	❌	✅
voice_09	亲切女声	longanrou_v3	✅	✅
voice_10	稚嫩童声	longpaopao_v3	✅	✅

所有音色 ID 均已对照官方音色列表确认有效。支持 Instruct 的音色可使用固定格式 设置情感：{emotion}。 控制情感。

15.6 Provider 优先级配置

优先级：bailian (阿里云 CosyVoice) > edge-tts (微软免费备用)

• bailian 熔断阈值设 999（永不熔断），冷却 10s
• edge-tts 作为纯备用方案，声音偏机械
• 用户偏好：阿里云优先，edge-tts 仅兜底

15.7 实测结论

1. 参数完全正确：model、voice、format、sample_rate 全部与官方文档 + tonggan 验证结果一致
2. 同步模式是唯一选择：SSE 流式对 CosyVoice 系统音色无效
3. 48000 采样率可用：tonggan 项目和 audio_codebuddy 均验证通过
4. instruction 固定格式：设置情感：{emotion}。（中文冒号、中文句号，不可遗漏）
5. 428 = 模型未开通：不是代码问题，需要去百炼控制台开通服务
6. 本地 400 与 IP 无关：阿里云不封用户 IP，本地 curl 失败通常是 shell 转义问题

---