Qwen3 Tts Vd Realtime 2025 12.16

让虚拟讲解员拥有自己的声音

Qwen3-TTS-VD-Realtime-2025-12-16 适合为虚拟讲解员、教学角色和品牌接待设计固定声音，再实时朗读不断更新的内容。它使用声音设计服务创建的音色，通过 WebSocket 接收文字并生成音频，不需要先提供真人参考录音。

先把声音方向写成具体描述，例如青年女性、声音明亮清晰、语速适中、讲解耐心，再创建适配本型号的 voice ID。设计描述用于确定声音特点，合成阶段则提交真正需要朗读的正文；新内容可以继续沿用这个 ID，无需逐句重新设计。

跨语言延续角色形象

同一音色支持 11 个语种，可用于多语言课程和展览讲解。模型会根据输入文字调整语气，因此正文应使用完整句子和自然标点，把定义、例子与提问分开。各语言版本需要事先校对，尤其检查术语、单位和人名，合成后再试听发音与节奏。

配合互动节奏播放

实时讲解宜按语义段发送，让应用可以在提问处暂停、等待用户操作后继续。每轮正文发送完成后，正确结束输入并持续接收音频，直到本轮合成结束。播放端负责缓冲、顺序和取消，讲解是否继续应根据应用状态决定，避免旧台词覆盖新的交互。

此型号为固定快照，可用于延续已有音色与播放配置。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。

科普角色的实时讲解

先设计声音：“青年女性，明亮清晰，语速适中，像耐心带领实验的老师。”取得适配本型号的 voice ID。

实时正文：“把纸片放在杯口，再把杯子缓慢倒转。”、“你观察到了什么？可以先选择屏幕上的答案。”

由应用安排提问停顿，完成输入后接收全部音频。

声音描述和台词可以放一起吗？

声音描述用于创建音色，台词用于合成；分开填写，避免描述成为朗读内容。

如何改动已有课程的一小节？

保留 voice ID 与分段文稿，只重新合成修改部分，再检查与前后片段的衔接。