Qwen3 Tts Instruct Flash Realtime 2026 01.22

让实时回复表达合适的情绪

Qwen3-TTS-Instruct-Flash-Realtime-2026-01-22 通过 WebSocket 把文字生成语音，并允许用自然语言安排合成效果。它适合情境客服、互动角色、陪伴应用和需要声音表演的实时讲解。模型支持 25 种音色的中文、英文指令调节，可以描述情绪、语气和节奏，让相同内容采用不同表达。

先确定说法，再确定怎么说

把实际台词与风格指令分开。客服确认可以要求自然利落，处理用户困惑时可以要求耐心、语速稍慢；角色助手则可围绕人物性格安排活力或沉稳。指令应具体且可听出差异，不必堆砌很多形容词。先固定音色比较少量风格，再逐步调整。

流式正文仍要按完整短句组织。前面的文本模型负责生成合适回复，合成模型负责声音表达；不要让业务字段、Markdown 标记或表演说明混入待朗读台词。用户真正需要听到的内容应简短清晰，情绪表达不能遮住金额、时间等关键信息。

完整接收与播放

配置会话的音色和表演方向后，分段提交正文，正确结束输入，并持续接收本轮音频。应用需要管理缓冲、播放顺序和用户打断，停止旧轮次声音后再接入新回复。测试时同时检查语气是否合适、发音是否清楚，以及整轮播放能否正常结束。

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。

耐心解释一次退款进度

选择 Serena，在会话风格配置中描述：“语气温和耐心，语速稍慢，先解释进度，再清楚说明下一步。”

分段提交正文：“退款申请已经受理。”、“预计三个工作日内原路退回，到账后您会收到通知。”

结束输入后继续接收和播放，直到本轮完成。

风格指令可以用什么语言？

使用中文或英文描述，并选择支持 Instruct 调节的音色。

每句都需要更换表演要求吗？

先用统一的整体方向完成一轮回复；只有内容情境确实改变时再调整，避免语气频繁跳变。