New Hot

通义语音上线 qwen-audio-3.1-realtime-flash:支持实时双工对话、声音复刻与工具调用

通义语音语音合成实时对话声音复刻

通义语音上线 qwen-audio-3.1-realtime-flash 实时双工语音对话模型,支持文本与音频输入输出、工具调用、联网搜索及声音复刻,上下文长度 262,144 Token。官方公告只给出模型名与能力清单,没有披露可用地区、音色范围与实时延迟指标,接入前需要以控制台说明为准。

通义双工语音模型支持声音复刻与工具调用

通义语音上线 qwen-audio-3.1-realtime-flash,定位是实时双工语音对话模型,支持文本与音频输入输出、工具调用、联网搜索及声音复刻。 它把语音合成放进对话链路,而不是只做单向播报。

模型定位

官方原文称:“实时双工语音对话模型,支持文本和音频输入输出、工具调用、联网搜索及声音复刻。上下文长度为 262,144 Token。” 从官方描述看,双工意味着输入与输出可以同时进行,而不是单向播报。(来源:阿里云百炼模型发布记录)

能力清单

公告把工具调用与联网搜索列在同一组能力里,说明模型可以在对话过程中调用外部能力后再作答。声音复刻则让输出音色可以按参考音频定制,具体音色范围官方没有在公告中展开。

上下文长度

262,144 Token 的上下文适合较长的对话与带上下文的语音交互。官方没有给出实时场景下的延迟、并发与音频采样参数。

配音从按句合成转向边对话边生成

配音工作从「按句合成再拼接」转向「边对话边生成」,制作重点变成脚本分支与音色一致性的控制。

实时对话与配音

实时双工适合客服、语音助手与需要打断的交互场景。对做角色配音的团队,它也可以用来快速试听不同语气下的对白,但正式录制仍要评估音质与稳定性。

声音复刻的边界

声音复刻涉及真人音色的授权问题。官方公告只列出能力,没有说明授权校验流程与商用限制,正式项目需要自行确认权利归属。音色表现与情绪控制的做法,可参考 Fish Audio 发布 Drama 3 语音合成模型:支持方括号表演指令与强调标签,开放权重并采用社区许可。

需要的验证

接入前要重点测试打断时的话轮切换、工具调用后的语音衔接,以及长对话下的音色漂移。公告没有给出这些指标的参考值,只能用自有素材做对比。

实时客服与语音助手优先验证双工打断

做实时语音交互的团队值得优先验证;只做批量旁白合成的项目,现有 TTS 模型仍更直接。

谁适合先试

语音客服、实时助手与互动内容团队收益最直接。需要一次生成大段旁白的项目,可以先继续用成熟 TTS,再按需试新模型。

上手步骤

  1. 先用一段带打断的对话脚本测试双工切换是否自然。
  2. 用参考音频试声音复刻,确认语气与音色在长对话中是否稳定。
  3. 加上一次工具调用,检查返回结果能否顺畅衔接回语音。

官方未披露的部分

公告没有给出可用地区、音色数量、实时延迟与计费方式,也没有说明声音复刻的授权要求。面向数理化内容的播报场景,可以参考 腾讯云语音合成新增复杂文本播报:开启 LaTeX 模式后用 EnableLaTeX=true 播报数理化生公式。

常见问题

qwen-audio-3.1-realtime-flash 是什么类型的模型?
官方称它是实时双工语音对话模型,不是单纯的文本转语音模型。
它支持哪些输入输出形式?
官方列出的能力包括文本与音频输入输出、工具调用、联网搜索及声音复刻。
这个模型的上下文有多长?
官方给出 262,144 Token 的上下文长度。
公告里有可用地区和延迟数据吗?
公告没有披露可用地区、音色范围与实时延迟指标,需要查看控制台与文档。

相关术语

实时双工
对话双方可以同时收发音频,不必等一方说完再开始处理。
声音复刻
用少量参考音频让模型以特定音色说话的能力。
工具调用
模型在对话中调用外部函数或服务来完成任务的方式。
上下文长度
模型单次请求可以参考的最大 Token 数量。

这篇文章的来源是什么?

文中涉及版本、价格与功能的信息,均以厂商原文为准;下面是可以核对的原始出处。

「qwen-audio-3.1-realtime-flash」 —— 阿里云

搜索文章

输入关键词,快速查找标题和正文内容。