Alibaba: Qwen3-TTS 1.7B CustomVoice

Alibaba 的 Qwen3-TTS 1.7B CustomVoice 用于语音生成，已通过 Runware 的原生接口完成验证。

qwen3-tts-1-7b-customvoice

可用Alibaba文本转语音同步

价格: 起 $0.000015
模态: 音频

Qwen3-TTS 1.7B CustomVoice 简介

Qwen3-TTS 1.7B CustomVoice 是阿里巴巴的语音合成模型，围绕九个固定的预设音色构建。你按名字选择说话人，还可以用一句大白话描述语气、情绪或说话风格。它支持包括中文、英语、日语、韩语和几种欧洲语言在内的十种语言，阿里巴巴称端到端合成延迟最低可达 97 ms，适合交互场景。

擅长的任务

九个有名字的高品质音色涵盖不同性别、年龄、语言和方言，整个产品可以始终用同一个声音。
一句文字说明就能调整情绪和说话方式，而不改变所选的说话人。
支持十种语言：中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语。
阿里巴巴称端到端延迟最低可达 97 ms，适合语音助手和实时解说。

什么情况换别的模型

音色列表是固定的；想根据描述创造新音色，VoiceDesign 版本更合适。
说话人朗读自己的母语时效果最好，所以让英语预设音色读日语，可能会有口音。
带有大量标记或混杂符号等杂乱、不寻常的输入文本，会降低输出质量。

快速上手

创建 API 密钥
在 Console 生成一把密钥，平台上的模型都能用。

发送第一个请求

复制你所用语言的示例代码，向该端点发起请求。

文本转语音TokenLab 端点

POST/v1/audio/speech

curl -X POST "https://api.tokenlab.sh/v1/audio/speech" \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
  "operation": "tts",
  "model": "qwen3-tts-1-7b-customvoice",
  "input": "Hello from TokenLab.",
  "voice": "alloy"
}'

价格

官方价格是模型厂商公开的基线价，TokenLab 价格是用这个模型时实际的计费价。

文本转语音

每百万字符

官方价格: $0.000015
Official: $0.000015
折扣: —

	官方价格每百万字符	Official每百万字符	折扣
文本转语音	$0.000015	$0.000015	—

用量与动态

成功率是请求完成的比例；延迟是拿到一次完整响应要花的时间，P95 表示 95% 的请求都在这个时间内完成。

用量与可用性

直接在 Console 里试

Qwen3-TTS 1.7B CustomVoice 已在 Console 备好，提示词已填好，可以直接修改或发送。

帮我用 qwen3-tts-1-7b-customvoice 发起一条简短的音频请求，接口是 /v1/audio/speech。返回结果和费用。

使用场景

语音助手
给应用内助手一个稳定的、有名字的声音和很低的响应延迟，文字一就绪，回复就能很快开始播放。
有声书和文章朗读
用选定的说话人朗读长文，并加上“平静温暖”之类的说明，让各章节的朗读风格保持一致。
本地化的产品视频
用日语、韩语或英语预设音色，为各个市场配同一份脚本，同时让品牌保持可辨识的声音。
游戏和角色台词
为不同角色挑选不同的预设音色，并用情绪说明来处理愤怒、疲惫或兴奋的台词。

提示词示例

说话人：Ryan。说明：平静、友好、语速稍慢。文本：Welcome back. Your order has shipped and should arrive on Thursday.

说话人：Ono_Anna。说明：开朗的播音员。文本：本日はご来店いただき、ありがとうございます。

说话人：Vivian。说明：耳语，像在说一个秘密。文本：你听说了吗？明天会有一个大消息。

FAQ

Qwen3-TTS CustomVoice 有哪些音色？

九个预设：中文方向有 Vivian、Serena、Uncle_Fu、Dylan 和 Eric，英语有 Ryan 和 Aiden，日语有 Ono_Anna，韩语有 Sohee。每次请求按名字选一个。

可以控制情绪和说话风格吗？

可以。你可以加一句自然语言说明，比如愤怒、温柔，或者语速快而兴奋，模型会调整语气和方式，同时保持所选说话人的音色。

CustomVoice 和 VoiceDesign 有什么区别？

CustomVoice 使用九个固定的说话人，由你选择。VoiceDesign 没有预设列表，你用文字描述想要的声音，比如年龄、情绪和韵律，模型来创造它。要一致性选 CustomVoice，要新音色选 VoiceDesign。

它能说哪些语言？

十种：中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语。模型卡建议让每个说话人使用自己的母语，以获得最佳质量。

速度够用于实时对话吗？

阿里巴巴称端到端合成延迟最低可达 97 ms，面向实时使用。你的应用里实际的延迟还取决于网络距离和文本长度，请用自己的流量测一下。

Qwen3-TTS 1.7B CustomVoice 的费用是多少？

在 TokenLab 上，Qwen3-TTS 1.7B CustomVoice 的价格为 - 。完整明细见上方价格表。价格因计费单位、规格和用量而异。请在模型的详细定价中对比相同条件下的费率；单一费率不代表总价。

Qwen3-TTS 1.7B CustomVoice 应该使用哪个端点？

Qwen3-TTS 1.7B CustomVoice 使用 https://api.tokenlab.sh/v1/audio/speech。代码写法见下方的请求示例。

Qwen3-TTS 1.7B CustomVoice 支持哪些操作？

Qwen3-TTS 1.7B CustomVoice 支持文本转语音。选了操作，上面会显示对应的端点和请求示例。

Qwen3-TTS 1.7B CustomVoice 对比

Qwen3-TTS 1.7B CustomVoice 对比 Qwen3-TTS 1.7B VoiceDesign Qwen3-TTS 1.7B CustomVoice 对比 Qwen3-TTS-Flash Qwen3-TTS 1.7B CustomVoice 对比 GPT-4o mini TTS Qwen3-TTS 1.7B CustomVoice 对比 Eleven v4 Turbo

资料来源

Qwen3-TTS-12Hz-1.7B-CustomVoice model card

审阅于 2026年10月2日