Qwen Audio 3.1 Tts Flash

把回复及时说出来

Qwen-Audio-3.1-TTS-Flash 面向语音助手、实时对话与智能客服，把已经准备好的回复文字合成为音频。它重点优化实时合成体验，支持流式生成，适合边接收声音边播放的交互流程。模型负责语音表达，业务问答、订单查询和回复内容应先由应用或文本模型完成。

让服务语气随内容变化

可以用自然语言说明说话方式，例如语气平和、语速稍慢、重点信息清晰停顿；也可在待朗读文本中加入情感标签，让提醒、安抚和祝福采用不同表达。[serious]、[excited] 等控制类标签作用于后续文字，[sighing] 等富语言标签在当前位置加入相应声音。实际对话中应减少不必要的表演，优先保证关键信息听得清楚。

模型支持多种语言和中文方言，也支持声音复刻与声音设计。选择系统音色或先创建自定义音色后再合成；复刻场景对含噪声、混响的参考音频有更强鲁棒性，仍建议使用清晰素材。方言可通过相应系统音色或复刻音色的指令设置，声音设计音色暂不支持方言。

设计连续对话体验

每轮先生成简短明确的回复，保留完整短句再送入合成，避免在金额、日期或地址中间切开。应用还需要处理播放器缓冲、用户打断与旧音频取消，防止上一轮声音继续覆盖新回复。

北京地域基准价为输入 1.5 元/百万 Token、输出 12 元/百万 Token，按返回的 usage 分别结算。美元基准按 1 美元 = 6.8 元换算，最终费用应用账户分组倍率。

客服确认示例

朗读正文：“您的地址已更新为新地址。包裹发出后，我会提醒您查看物流。还有其他需要修改的信息吗？”

表演指令：“耐心、自然的客服语气，中等语速，在地址确认后短暂停顿，问句柔和上扬。”

能直接理解用户的语音问题吗？

此服务的输入是待朗读文字。先完成语音识别和业务处理，再把回复交给它合成。

用户说话时如何停止播报？

由应用检测打断、停止播放并取消或丢弃旧轮次音频；仅开启流式合成不会自动完成对话管理。