语音
在控制台里用预置声音、描述出来的声音或你自己克隆的声音把文字转成语音,并下载音频片段。
语音 工具(/app/playground?mode=speech)把文字转成语音。选一个声音,输入文字,按 合成;每个片段都像 API 调用一样从余额扣费。想在代码中实现,请看文本转语音和音频端点。
在手机上,模型在顶部的下拉菜单中,声音设置点 选项 打开。
选择模型#
在 模型 中选择。下方显示每分钟音频的价格和模型擅长的方面:
qwen3-tts:描述声音或克隆声音,支持风格指令,10 种语言。zonos2:高度还原的声音克隆和情绪,40 多种语言。kokoro-82m:8 种语言的 54 个预置声音,价格最低,每分钟 $0.008;不支持克隆。drama-3:用 [方括号] 写表演指示,支持克隆,83 种语言,每分钟 $0.09;仅 MP3、正常语速。
前两个是每分钟 $0.036,按秒计费。当前价格见模型。
这些模型运行在无人使用时会休眠的 GPU 上。模型下方的徽标显示 已就绪(立即响应)、启动中(通常在显示的时间范围内就绪)或 休眠中(第一个请求要等它启动;之后就很快)。只有请求才会唤醒它,打开页面不会。如果请求超过几秒,会有提示说模型可能正在启动:一段时间无人使用后的第一个请求最多可能需要一到两分钟。见自托管模型。
选择声音#
声音 有三个标签页。
预置#
模型内置声音的列表,每个都有简短描述和母语。qwen3-tts 有九个(例如 serena、ryan、ono_anna);zonos2 有 american_female、american_male 和 british_female。每个声音都能说其模型支持的所有语言,说母语时效果最好。
描述#
仅限 qwen3-tts。描述你想要的声音:年龄、性别、音色、语速、情绪、口音。标签 电台主持人、明亮的年轻女声、老海盗 和 睡前故事 会填入示例。设计出的声音每次都会略有不同;想保留喜欢的声音,把片段保存为声音。
我的声音#
你保存的声音。每一行有一个播放样本的按钮、声音名称和文字稿;点击这一行即可使用。点叉号,再点 确认删除?,即可删除。保存的声音两个模型都能用。
要添加声音,按 + 添加声音:
- 上传 一个音频文件,或按 录音 使用麦克风。按 停止 或 20 秒后录音结束。使用 3 到 15 秒单人清晰说话、无音乐的录音。
- 填写 名称。
- 可选:输入录音中说的内容。有了它,
qwen3-tts克隆得更像。 - 勾选同意复选框:你确认这是你自己的声音或已获得说话人允许克隆,并对使用方式负责。不要克隆声音来欺骗或冒充他人。
- 按 保存声音。
保存的声音免费,仅你的账户可见。限制见克隆声音。
风格和情绪#
- 风格(
qwen3-tts,使用预置或已保存的声音时):怎么说,例如语速、情绪或耳语。自己输入,或选一个标签:温暖友好、兴奋,语速稍快、缓慢平静、耳语、悲伤,快要哭了、像新闻主播。再点一次标签即可清除。使用 描述 时,由描述承担这个作用。 - 情绪(
zonos2):平静、开心、悲伤、愤怒 或 惊讶。声音不变,只改变表达方式。
语言、格式和语速#
- 语言:自动 从文字中识别,或选择模型支持的一种语言。
- 格式:MP3、WAV、OPUS、FLAC 或 AAC。OPUS 下载为
.ogg文件。 - 语速:用滑块设置 0.5× 到 2×。它改变语速,不改变音高。你按返回音频的秒数付费。
合成#
在文本框中输入最多 4,096 个字符;计数器显示已用字数。英语示例、中文示例 和 日语示例 标签会填入示例文字。按 合成 或 Ctrl+Enter(Mac 上为 Cmd+Enter)。按钮旁显示音频的大致时长和费用。
你的片段#
每个片段显示在之前的片段上方,附有声音、模型、时长、费用,以及一个播放器。
- 下载 以你选择的格式保存文件。
- 保存为声音 要求填写名称,把片段保存到 我的声音 并选中它。用它保留你设计出的声音。不超过 15 秒的片段会连同文字一起保存为文字稿。
片段会一直留在列表中,直到你关闭或刷新页面;想保留的请下载。每个请求也会列在你的日志中。