Alibaba: Qwen3-TTS 1.7B VoiceDesign

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

qwen3-tts-1-7b-voicedesign

可用Alibaba文本转语音同步

价格: 起 $0.000015
模态: 音频

Qwen3-TTS 1.7B VoiceDesign 简介

Qwen3-TTS 1.7B VoiceDesign 是阿里巴巴语音合成的一个版本，根据文字描述创造声音，而不是从预设列表里选。你用自然语言描述情绪、语气和韵律，模型就用那样的声音读出文本。它支持十种语言，适合现有说话人都不符合你心目中的角色或品牌形象的情况。

擅长的任务

声音由描述来定义，比如“语速缓慢、语气温暖的老年旁白”，而不是从固定列表里选。
音色、情绪和韵律都可以通过说明来调整，包括愤怒这类强烈的情绪。
覆盖十种语言：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，另有方言变体。
阿里巴巴列出 Qwen3-TTS 系列的合成延迟低至约 97 ms，适合交互场景。

什么情况换别的模型

同一段描述在不同次调用中可能生成略有差异的声音，所以需要同一个确切声音连续用上几个月时，它不是很合适。
想要固定的、有名字的说话人，带九个预设音色的 CustomVoice 版本更可预测。
质量取决于你描述声音的清晰程度；含糊的描述只会得到泛泛的结果。

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-voicedesign",
  "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 VoiceDesign 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-voicedesign 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

游戏角色配音
描述每个角色，比如粗声粗气的矮人铁匠或紧张的年轻信使，不用先找配音演员就能生成台词。
探索品牌声音
尝试对企业声音的几种描述，比如自信低沉对明亮轻快，并在同一份脚本上对比。
有表现力的旁白
在同一个项目里，用“压低声音、紧张”再到“如释重负、温暖”这样的说明来指导故事各段的朗读方式。
视频的原型配音
在最终配音敲定之前，为分镜或讲解视频创建一个临时旁白。

提示词示例

声音：中年女性，平静低沉，语速缓慢，像纪录片旁白。文本：The river has changed course three times in the last century.

声音：年轻男性，兴奋，略微气喘，语速很快。文本：You will not believe what just came through the door.

声音：用特别愤怒的语气说，语速快，断句短促。文本：这已经是第三次了，你们到底有没有在听？

FAQ

Qwen3-TTS VoiceDesign 是做什么用的？

它用你用文字指定的声音来生成语音。你不用选有名字的说话人，而是写一段涵盖情绪、语气和朗读方式的描述，模型生成与之相符的音频。适合与现成预设不匹配的角色和品牌声音。

它和 CustomVoice 有什么区别？

CustomVoice 提供九个固定的、有名字的说话人，可附带风格说明。VoiceDesign 没有固定列表，根据你的描述构建声音。想创造新声音选 VoiceDesign，要稳定、可重复的说话人选 CustomVoice。

支持哪些语言？

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，另有部分方言变体。声音描述请用模型能理解的语言来写；模型卡上的示例用的是中文。

能用它克隆真人的声音吗？

Qwen3-TTS 系列提到可以根据一小段样本克隆声音，但这个版本本身的重点是基于说明来设计声音。只克隆或模仿你有权使用的声音，并对照自己的授权规则检查输出。

每次调用的声音都完全一样吗？

不保证。描述能引导声音，但不能锁定某个确切的音色，所以多次调用听起来可能略有不同。如果在一个长项目里需要完全一致，请改用固定的预设说话人。

Qwen3-TTS 1.7B VoiceDesign 的费用是多少？

在 TokenLab 上，Qwen3-TTS 1.7B VoiceDesign 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 VoiceDesign 应该使用哪个端点？

Qwen3-TTS 1.7B VoiceDesign 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 VoiceDesign 支持哪些操作？

Qwen3-TTS 1.7B VoiceDesign 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 VoiceDesign 对比

Qwen3-TTS 1.7B VoiceDesign 对比 Qwen3-TTS 1.7B CustomVoice Qwen3-TTS 1.7B VoiceDesign 对比 Qwen3-TTS-Flash Qwen3-TTS 1.7B VoiceDesign 对比 Eleven v4 Turbo Qwen3-TTS 1.7B VoiceDesign 对比 MiniMax Speech 2.8

资料来源

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

审阅于 2026年10月2日