在线体验（TTS 文字转语音）
今天的你，值得被温柔对待。把文字交给我，剩下的，用耳朵感受。
今晚同你讲个故事，慢慢嚟，慢慢听，好戏在后头。
有些话，不适合大声说。你只要，仔细听。
早安！Today is a good day，我们开始吧。
提示：先选择文本语言（Select Text Language / 选择文本语言），再输入文字、选择音色与方言，点击生成，可下载 MP3。
TTS 你能用来做什么
听书/读文章
夜间朗读更舒适，长文也不累。
短视频/广告配音
方言更本土，情感更带感，支持批量。
课程/演示朗读
清晰稳定，提升表达力。
导航/提醒播报
自然亲切，不再机械。
AI 陪伴/助理
像真人与你说话，实时响应。
无障碍阅读
为视障用户更友好。
一听就知道的“好听”（TTS 朗读示例）
选择不同音色与方言一键播放；满意即可下载保存 MP3/WAV。可按需调整语速/音量/音高。
TTS 方言与音色
中文方言：粤语、四川话、吴语（上海话）、闽南语、北京话、天津话、南京话、陕西话等。
支持语速/音量/音高/比特率调节；严格尊重标点（逗号短停、句号长停、破折号拉长、省略号欲言又止）。
TTS 零门槛上手
Qwen Chat
生成回复后点击“朗读”，几秒出声。
手机朗读
微信长按文字→朗读；iPhone 辅助功能→朗读内容；Android 文本朗读输出（Google TTS）。
TTS 小白 3 步上手
1. 复制文本
选择你想朗读的文字。
2. 选音色/方言
如中文女声、粤语男声。
3. 播放并下载
满意后保存为 MP3/WAV。
TTS 开发者快速集成
实时 API：
https://dashscope.aliyuncs.com/compatible-mode/v1/services/aigc/multimodal-conversation（每月免费 50
万字符）。文本建议分段（每段 <500 字符），并用标点控制节奏；指定 language/dialect 以提升混语与方言效果。
WebSocket：
wss://dashscope-intl.aliyuncs.com/api-ws/v1/realtime?model=qwen3-tts-flash-realtime
音频参数：
format='wav'，sample_rate=22050，bitrate='128k'；presence_penalty=0.6
防重复。
import dashscope
dashscope.api_key = 'your_api_key'
response = dashscope.Audio.speech_synthesizer(
model='qwen3-tts-flash-realtime',
text='你好，这是 Qwen3-TTS 测试。',
voice='中文女声',
language='zh'
)
print(response.output_audio)
TTS 常见问题
API Key 无效或区域错误？
北京区使用 sk-，国际区使用 sk-intl-；在 https://dashscope.aliyuncs.com 选择对应区域生成与重置。
实时流式延迟高或连接中断？
使用 WebSocket 并添加重连；本地部署选 flash-realtime 版本。
声音不自然或重复？
长文本分段（每段 <500 字符）；用标点控制节奏；选择匹配音色；可调 presence_penalty。
自定义声音克隆？
官方暂不内置；可用开源 So-VITS-SVC/XTTS 训练后路由 Qwen3 输出实现克隆。
本地部署加载慢或内存不足？
pip install transformers torch，from transformers import QwenTTSForConditionalGeneration；GPU
需 CUDA 11+；CPU 用 --device cpu；内存不足使用 FP8 量化。
免费额度与计费？
每月免费约 50 万字符；批量分批调用；也可切换开源本地完全免费。
多语言/方言卡顿或口音错乱？
明确 language 与 dialect；先用短句测试；英文+中文无缝更佳，俄语建议稍慢速。
音频格式不支持或质量低？
设置 format/sample_rate/bitrate；保存前检查文本无乱码。
工具集成报错？
更新 dashscope/qwen-tts；必要时加 torch.no_grad() 防内存泄漏。
Demo 加载慢或无声音？
刷新或使用隐身模式；必要时本地克隆 Hugging Face Space；检查设备权限。
TTS 对比与选择
自然度
多语自然度（WER）更低，中文/多语更稳定。
方言与多语
9 种中文方言 + 10 种语言，混语切换更自然。
开源与成本
开源可本地；云端每月免费约 50 万字符。
TTS 技术原理（科普简述）
架构
Transformer + MoE，统一多模态框架（文本理解、节奏建模、语音生成融合）。
流程
文本分词与编码 → MoE 预测节奏/情感 → 声学建模（多码本 VQ‑VAE → mel‑spectrogram）→ Vocoder（如 HiFi‑GAN）解码为音频（22kHz）。
关键
Adaptive Rhythm、RLHF 稳定性优化、CUDA Graph 加速，保障低延迟与高自然度。
TTS 价格与额度、合规与安全
价格与额度
每月约 50 万字符（≈400 分钟语音）；可选低成本型号；本地开源可完全免费。
合规与安全
Apache 2.0 开源许可；可本地运行更安心；声音克隆需自有授权素材并遵守法律规范。