发布于 2026年11月20日
Qwen3 TTS 现已在 Together AI 上线让整个产品始终使用同一个声音,通过自然语言指令改变其语气,并在 10 种语言之间切换,最快仅需 97 毫秒即可生成首段音频。
作者
Anthony Ji、Charles Duong、Sebastien Beurnier、Sahil Yadav、Sonny Khan
目录
本文链接
摘要
- Together AI 上的 Qwen3 TTS: Qwen 的开放文本转语音模型,可通过 Together Serverless Inference 和专用端点使用,价格为每 100 万字符 20 美元。
- 一个声音,多种表达方式: 九种预设声音,可通过“兴奋而欢快”等自然语言指令改变语气和情绪。
- 每个声音支持 10 种语言: 每种预设声音都能说中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语。
- 专为实时语音打造: 最快仅需 97 毫秒即可生成首段音频,并支持 HTTP 流式传输,以及用于接收分段到达文本的 WebSocket API。
从今天开始,开发者可以在 Together AI 上运行 Qwen3 TTS ,最快仅需 97 毫秒即可生成首段音频。
Qwen3 TTS 是一款开放的文本转语音模型,能够将说话者的声音与说话方式分离。你可以从九种预设声音中选择一种,该声音会保持不变,同时你可以使用“兴奋而欢快”等自然语言指令改变其表达方式,或让它在 10 种语言之间切换。
Together AI 的推理团队针对 Qwen3 TTS 优化了服务栈,使语音能够以足够快的速度开始流式传输,从而支持实时对话。该模型现已可通过 Together Serverless Inference 和专用端点使用。
告诉它该如何说出这句话
同一句话会因为说话方式不同而听起来像是好消息或坏消息,而使用 Qwen3 TTS 时,你只需用几个词描述表达方式,就能决定呈现哪种效果。这里的声音 aiden 将同一句话朗读了三遍。各段音频中的声音和文字都没有变化,只有指令不同。
“嗯,那一切都不一样了。”
aiden · 愤怒而不耐烦 0:00 0:02“嗯,那一切都不一样了。”
aiden · 悲伤而失望 0:00 0:02“嗯,那一切都不一样了。”
指令控制表达方式,而声音仍是你选择的那个。切换语言时,你也可以继续使用同一个声音。
在 10 种语言中保持同一个声音
每种预设声音都支持全部 10 种语言:中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语。这样,产品进入新市场时也能保持相同的声音。这里, aiden, 一个英语声音,使用四种语言朗读了同一条订单更新。
“你的订单已发货,预计周四送达。”
aiden · 西班牙语 (es) 0:00 0:03“你的订单已发货,预计周四送达。”
aiden · 德语 (de) 0:00 0:04“你的订单已发货,预计周四送达。”
aiden · 日语 (ja) 0:00 0:05“你的订单已发货,预计周四送达。”
请使用所选语言提供文本;上面的四段音频使用了分别翻译的文本。每个声音也都有一种母语,Qwen 建议使用声音的母语以获得最佳质量,因此在确定预设声音之前,请先试听应用所需的各种语言。
在 VoiceFinder 中选择声音
选择预设声音最快的方法,是试听每个声音朗读你自己的文本。 VoiceFinder 会列出 Qwen3 TTS 的声音,播放每个声音的样例,并让其中任意声音朗读你输入的文本。
- 打开 voicefinder.together.ai,在模型菜单中选择
Qwen/Qwen3-TTS-12Hz-1.7B,然后选择 查找声音. - 选择 预览 以播放声音样例。
- 选择 尝试自定义文本,输入最多 500 个字符,然后选择 生成 ,即可听到该声音朗读你的文本。换一个声音重复操作,就能比较它们朗读同一文本的效果。
- 选择 显示代码 ,即可获取使用该声音的 Python、TypeScript 或 cURL 请求。
以下是九种预设声音,以及每种声音的母语和 Qwen 对其的描述:
| 声音 | 母语 | 描述 |
|---|---|---|
| aiden | 英语 | 阳光开朗的美式男声,中音清晰 |
| ryan | 英语 | 充满活力的男声,节奏感强劲 |
| vivian | 中文 | 明亮、略带锐气的年轻女声 |
| serena | 中文 | 温暖柔和的年轻女声 |
| uncle_fu | 中文 | 成熟稳重的男声,音色低沉醇厚 |
| dylan | 中文,北京方言 | 年轻的北京男声,音色清晰自然 |
| eric | 中文,四川方言 | 活泼的成都男声,明亮中略带沙哑 |
| ono_anna | 日语 | 俏皮的日语女声,音色轻盈灵动 |
| sohee | 韩语 | 温暖且情感丰富的韩语女声 |
生成语音
你需要 Together Python SDK(pip install together)以及一个 TOGETHER_API_KEY。此请求会同时设置声音、语言和指令,并生成对上面那句话的兴奋式朗读。
from together import Together
client = Together()
response = client.audio.speech.create(
model="Qwen/Qwen3-TTS-12Hz-1.7B",
input="Well, that changes everything.",
voice="aiden", # who speaks
language="en", # the language of the text
extra_body={"instructions": "excited and upbeat"}, # how to say it
response_format="mp3",
)
response.write_to_file("excited.mp3")Python SDK 会将 instructions 通过 extra_body传递。如果某条指令似乎没有改变表达方式,请检查该字段是否拼写为 instructions,因为拼写错误的字段会被直接跳过,且不会报错。
此模型的参数:
| 参数 | 要发送的内容 |
|---|---|
| voice | 九个声音名称之一,使用小写字母 |
| 指令 | 对表达方式的简短描述,例如兴奋、欢快。可选 |
| 语言 | 输入文本的 ISO 639-1 语言代码,例如 en、zh、ja 或 ko |
| 响应格式 | wav、mp3、raw 或 mulaw。不支持 opus、aac 和 flac |
| 采样率 | 24000(默认)或 8000 |
单词时间戳(alignment=word)不受 Qwen3 TTS 支持。
为语音智能体流式传输音频
在语音智能体中,语音必须在整段回复合成完成之前开始播放。在 Together AI 上,Qwen3 TTS 最快仅需 97ms 即可返回首段音频,并支持两种流式传输方式。应选择哪一种,取决于发起请求时你是否已有完整文本。
已有完整文本时:通过 HTTP 进行流式传输
使用 stream=True 和 response_format="raw",语音 API 会在音频生成过程中返回服务器发送事件。每个 conversation.item.audio_output.delta 事件都携带一个经过 Base64 编码的音频块。此脚本接收数据流,解码每个音频块,并将音频保存到文件中。
import base64
import json
from together import Together
client = Together()
with client.audio.speech.with_streaming_response.create(
model="Qwen/Qwen3-TTS-12Hz-1.7B",
input="Your order has shipped and should arrive on Thursday.",
voice="aiden",
language="en",
extra_body={"instructions": "excited and upbeat"},
stream=True,
response_format="raw",
response_encoding="pcm_s16le",
) as response, open("order-update.pcm", "wb") as audio:
for line in response.iter_lines():
if not line.startswith("data: {"):
continue
event = json.loads(line[len("data: "):])
if event.get("type") == "conversation.item.audio_output.delta":
# Each event carries a base64 chunk of 16-bit PCM at 24 kHz
audio.write(base64.b64decode(event["delta"]))输出为 24 kHz 的 16 位单声道 PCM,指令对流式请求和完整请求的作用方式相同。若要在语音到达时立即播放,请将每个解码后的音频块发送到音频输出设备,而不是写入文件。
当文本仍在生成时:WebSocket
如果文本由语言模型逐个 token 生成,WebSocket 端点允许你分段发送文本。你只需建立一个连接,随着文本生成不断追加内容,并在输入完成后提交;服务器会在收到完整句子后逐句合成。此脚本分两段发送订单更新,并保存返回的音频。它需要 websockets 软件包,版本须为 14 或更高(pip install websockets).
import asyncio
import base64
import json
import os
import websockets
URL = (
"wss://api.together.ai/v1/audio/speech/websocket"
"?model=Qwen/Qwen3-TTS-12Hz-1.7B&voice=aiden&language=en"
"&response_format=pcm&sample_rate=24000"
)
async def main():
headers = {"Authorization": f"Bearer {os.environ['TOGETHER_API_KEY']}"}
async with websockets.connect(URL, additional_headers=headers) as ws:
# Append text as it becomes available, then commit once the input is complete
await ws.send(json.dumps({"type": "input_text_buffer.append", "text": "Your order has shipped. "}))
await ws.send(json.dumps({"type": "input_text_buffer.append", "text": "It should arrive on Thursday."}))
await ws.send(json.dumps({"type": "input_text_buffer.commit"}))
with open("order-update.pcm", "wb") as audio:
async for message in ws:
event = json.loads(message)
if event["type"] == "conversation.item.audio_output.delta":
# Each event carries a base64 chunk of 16-bit PCM at 24 kHz
audio.write(base64.b64decode(event["delta"]))
elif event["type"] == "conversation.item.audio_output.done":
break
elif event["type"] == "conversation.item.tts.failed":
raise RuntimeError(event["error"])
asyncio.run(main())连接 URL 包含模型、声音、语言和音频设置(WebSocket 端点将原始 PCM 称为 pcm),音频会通过与 HTTP 流相同的 Base64 事件传输。 WebSocket 指南 列出了每种消息类型。
开始使用
- 在以下工具中比较声音: VoiceFinder
- 阅读 文本转语音文档、 流式传输指南 以及 WebSocket 指南
- 查看 Qwen3 TTS 模型页面
- 阅读 Qwen 的 Hugging Face 模型卡片
常见问题
在 Together AI 上使用 Qwen3 TTS 的费用是多少?
在 Together Serverless Inference 上,Qwen3 TTS 的价格为每 100 万字符 20 美元。该模型也可通过专用端点使用。
Qwen3 TTS 在 Together AI 上的速度有多快?
在 Together AI 上流式传输响应时,Qwen3 TTS 最快仅需 97ms 即可返回首段音频;其服务栈由我们的推理团队针对实时语音进行了优化。
如何控制 Qwen3 TTS 声音的语气?
在语音请求的 instructions 字段中以自然语言描述表达方式,例如 excited and upbeat。在 Python SDK 中,通过 传入。 extra_body。指令会改变声音的情绪和语气,但不会改变其听起来像谁。
一个 Qwen3 TTS 声音能说多种语言吗?
可以,Qwen3 TTS 的九种预设声音均可使用全部 10 种受支持的语言。将 voice 设置为声音名称,并将 language 设置为文本所用的语言,然后以该语言发送文本。Qwen 建议每种声音使用其母语,以获得最佳质量。
Qwen3 TTS 在 Together AI 上支持流式传输吗?
支持,Qwen3 TTS 在 Together AI 上提供两种流式传输方式。通过 HTTP 时,将 stream 设置为 true ,并将 response_format 设置为 raw ,即可接收包含 base64 编码 PCM 音频的服务器发送事件。通过 WebSocket 时,分段发送文本,并在音频生成时接收音频。
Qwen3 TTS 返回哪些音频格式?
Qwen3 TTS 返回 wav, mp3, raw (PCM)或 mulaw 音频;在 Together AI 上,采样率可为 24000(默认值)或 8000。它不返回 opus, aac 或 flac.
选择之前,如何比较 Qwen3 TTS 的声音?
打开 VoiceFinder ,然后在模型菜单中选择 Qwen/Qwen3-TTS-12Hz-1.7B 。你可以试听每种声音,并用它生成最多 500 个字符的自定义文本。
Qwen3 TTS 是开源的吗?
是的,Qwen 已采用 Apache 2.0 许可证发布 Qwen3 TTS 12Hz 1.7B。模型权重已上传至 Hugging Face。
AI 热点