Qwen3 Tts Flash Realtime

让生成中的回复逐步变成声音

Qwen3-TTS-Flash-Realtime 适合语音助手、互动讲解和客服播报。应用通过 WebSocket 会话提交文字，并持续接收合成音频，可把文本模型逐步生成的回复接入语音播放。它承担文本到声音的环节，用户语音识别、问题理解与业务查询需要由前面的流程完成。

预置音色与自然语气

模型提供多种预置音色，支持多语言、中文方言及同一音色的多语言输出，会根据正文内容自适应组织语气。可以选 Cherry 做亲切提示，或用 Ethan 做清晰讲解，再用真实回复试听。需要方言时，选择明确支持该方言的音色。

输入文本应按完整短句或自然语义分段，尽量保留标点，避免在金额、日期和名称中间提交零散字符。这样的分段更方便形成可理解的节奏，也能让应用在新内容到来时连续播放。合成前仍需处理正文中的链接、代码块和机器字段。

管理完整的实时过程

会话开始时设置音色与输出要求，分段发送正文后正确结束输入，继续接收音频直到本轮合成完成。播放器需要处理片段顺序、缓冲与用户打断；只建立 WebSocket 连接不能代表音频已经生成或播放完毕。用一整轮回复测试接收、播放和结束行为，再接入持续对话。

北京地域基准价为 1 元/万计费字符，输出音频不另收费。汉字通常计 2 个字符，SSML 标签不计入，按返回字符数结算。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。

分段播报一轮客服回复

建立会话并选择 Cherry，依次提交完整句子：“我已经查到您的订单。”、“包裹今天下午到达配送站，预计明天送达。”、“您可以稍后查看新的物流记录。”

结束文字输入后，继续接收并按顺序播放返回音频，直到本轮完成。

要逐字发送文本吗？

优先按完整短句或语义段发送，保留标点，避免把数字和名称切开。

用户打断后谁负责停止声音？

应用负责停止播放并取消或丢弃旧轮次音频，同时管理下一轮会话与回复。