CQTAI
语音合成 · 语音

语音合成 · 介绍NEW

语音合成（TTS）API：输入文本，返回一段合成语音的链接（平台 CDN 直链，单声道 24kHz），可选同时返回一份与音频精确对齐的 SRT 字幕。 同步接口——一次请求即拿到结果，无需轮询，也没有 taskId。32 个精选中英音色（全量目录 322 个可选），可调语速 / 音高 / 音量，支持按句分别设定语速的分句控制；长文本自动分段合成再拼接。三种输出格式：mp3 / mp3-high / webm。 同一接口加 model 字段即可切换到千问模型（qwen-audio-3.1-tts-flash / qwen-audio-3.0-tts-flash / qwen-audio-3.0-tts-plus / qwen3-tts-flash）：音色更自然，支持方言、多语种、自然语言指令与情感标签，按实际用量计费，详见「千问模型」标签页。

⚡ 同步调用：一次请求直接返回结果，无 taskId、无需轮询

接口地址

用途方法路径
合成语音POST/v1/tts
音色列表（精选）GET/v1/tts/voices
音色列表（全量 322 个）GET/v1/tts/voices?all=1
千问模型音色列表GET/v1/tts/voices?model=<千问模型id>

认证

Authorization: Bearer <API_KEY>
Content-Type: application/json

请求参数

参数类型必填默认说明
textstring二选一—要合成的文本（支持长文本，服务端自动分段合成再拼接）；上限约 256KB。与 segments 二选一
segmentsarray二选一—分句分别设定语速 / 音高 / 音量，见下「分句控制」。与 text 互斥，最多 200 段
voicestring—zh-CN-XiaoxiaoNeural音色，取值见 GET /v1/tts/voices 返回的 shortName；填了就必须是支持的音色之一
formatstring—mp3输出格式：mp3（默认）/ mp3-high（高音质）/ webm（网页直接播放，单次限 2000 字），见下「输出格式」
ratestring—+0%语速：x-slow / slow / medium / fast / x-fast / default，或百分比 +40% / -20%，或倍率 1.0
pitchstring—+0Hz音高：x-low ~ x-high / default，或带符号偏移 +2st / -5Hz / +10%，或绝对值 150Hz
volumestring—+0%音量：silent / x-soft / soft / medium / loud / x-loud / default，或 +20% / +6dB / 0~100
subtitlebool—false同时返回一份与音频严格对齐的 SRT 字幕，见下「字幕」。不额外收费
modelstring—edge不填（或 edge）即本表描述的默认通道；填千问模型 id 即切换，参数见「千问模型」标签页。区分大小写
pitch 用半音 / 赫兹 / 百分比偏移时必须带正负号：+2st 可以，2st 会被拒。
语速 / 音高 / 音量填了不认识的值会立即返回 400 并告诉你正确的写法，不会白跑一次合成（不消耗积分）。

输出格式

format文件适用
mp324kHz 48kbps 单声道 mp3通用，体积最小；长文本请用这个
mp3-high24kHz 96kbps 单声道 mp3音质更好，体积约 2 倍
webm24kHz Opus (WebM)网页直接播放；单次请求限 2000 字以内
webm 的长度限制是格式本身决定的：超长文本需要分多次合成再拼接，而 WebM 拼接后播放器只会播第一段。与其给你一个「只有前半段却按全长计费」的文件，超长时直接报 400——请改用 mp3，或自行把文本拆成多次请求。

分句控制（segments）

用 segments 代替 text，就能让每一句用不同的语速 / 音高 / 音量——比如开场白正常语速、重点句放慢加大声、结尾快速收尾。最多 200 段。

参数类型必填默认说明
textstring必填—该段要合成的文本
ratestring——该段语速；省略则继承顶层 rate
pitchstring——该段音高；省略则继承顶层 pitch
volumestring——该段音量；省略则继承顶层 volume
  • 每段省略的字段继承顶层同名值，所以只写你要改的那几个即可。
  • 全部段落用同一个音色（voice 只能在顶层给）。一次请求内做不到多音色对话，多角色请分多次请求。
  • 段落之间没有额外停顿标签——语音服务不支持插入静音；需要停顿请在文本里用标点，或拆成多次请求后自行拼接。
curl -X POST https://api.cqtai.com/v1/tts \
  -H 'Authorization: Bearer <API_KEY>' \
  -H 'Content-Type: application/json' \
  -d '{
    "voice": "zh-CN-YunxiNeural",
    "segments": [
      { "text": "先说一句正常语速的开场白。" },
      { "text": "这一句要慢下来，重点强调。", "rate": "-25%", "volume": "loud" },
      { "text": "最后快速收尾。", "rate": "+35%", "pitch": "+2st" }
    ]
  }'

字幕（SRT）

请求里加 "subtitle": true，响应会多出一个 subtitleUrl。时间轴是精确的，不是识别出来的——字幕直接取自语音引擎在合成时报告的逐词位置，每个字 / 词落在音频的第几毫秒由合成器自己给出，不存在语音识别的错字和对不齐。

curl -X POST https://api.cqtai.com/v1/tts \
  -H 'Authorization: Bearer <API_KEY>' \
  -H 'Content-Type: application/json' \
  -d '{
    "text": "第一句话。第二句话稍微长一点，用来演示断句。",
    "voice": "zh-CN-XiaoxiaoNeural",
    "subtitle": true
  }'
# -> { "code":200, "data":{
#      "url":"https://cdn.novapi.ai/tts/....mp3",
#      "subtitleUrl":"https://cdn.novapi.ai/tts/....srt",
#      "duration":6.20, "cost":1, "format":"mp3" } }
  • 不额外收费，也不额外耗时（合成时顺手拿到的数据）。
  • 文本和你传进来的完全一致（不会被识别改写）。
  • 与 rate / segments 调速后的音频依然对齐（调速会改变时间轴，字幕跟着变）。
  • subtitle 与三种 format 都可搭配（字幕文件本身与音频格式无关）。
  • 用途：网页播放器的 <track kind="subtitles">、剪辑软件导入，或直接把 subtitleUrl 传给视频字幕烧录接口（FFmpeg burn_subtitle）。

排版规则（固定，暂不开放配置）：单行；一行最多约 20 个中文字 / 40 个英文字符；单条最长 7 秒、最短 0.7 秒；句末标点、超过 0.6 秒的停顿处断句。文件为 UTF-8 无 BOM、LF 换行的标准 SubRip。

subtitleUrl 只有请求带了 subtitle: true 才会出现，不会返回空串。
极少数情况下语音服务不返回逐词时间戳，此时整个请求按失败处理（502，不扣费，可重试），不会给你一个「有音频但没字幕」的成功响应。

请求示例

合成语音
curl -X POST https://api.cqtai.com/v1/tts \
  -H 'Authorization: Bearer <API_KEY>' \
  -H 'Content-Type: application/json' \
  -d '{
    "text": "你好，欢迎使用语音合成服务。",
    "voice": "zh-CN-XiaoxiaoNeural"
  }'
# -> { "code":200, "data":{ "url":"https://cdn.novapi.ai/tts/....mp3", "duration":3.62, "cost":1, "format":"mp3" } }
带语速 / 音高
curl -X POST https://api.cqtai.com/v1/tts \
  -H 'Authorization: Bearer <API_KEY>' \
  -H 'Content-Type: application/json' \
  -d '{
    "text": "This is a faster, higher-pitched sample.",
    "voice": "en-US-AriaNeural",
    "rate": "+15%",
    "pitch": "+3Hz"
  }'

响应示例

{
  "code": 200,
  "msg": "success",
  "data": {
    "url": "https://cdn.novapi.ai/tts/1756272000000_ab12cd.mp3",
    "duration": 3.62,
    "cost": 1,
    "format": "mp3"
  }
}

支持的音色

加载中…
音色（voice 取值）名称性别语言地区
  • 音色列表实时取自 GET /v1/tts/voices（文档页默认展示精选，可切到「全量目录」看全部 322 个 / 142 种语言地区）；voice 填其中任意 shortName 即可。
  • 中英混排的文本建议直接用 AvaMultilingual / AndrewMultilingual，一个音色就能念，不必按语言切换。
  • ?all=1 里的 voices 偶尔可能为空（服务刚启动、目录还没加载完），此时 loadedAt 为空字符串，请回退用 presets 展示，不要当成「没有音色」。
  • 一切以接口实时返回为准。
获取音色列表
curl -X GET https://api.cqtai.com/v1/tts/voices \
  -H 'Authorization: Bearer <API_KEY>'
# -> { "code":200, "data":[ { "id":"edge:zh-CN-XiaoxiaoNeural",
#       "shortName":"zh-CN-XiaoxiaoNeural", "name":"晓晓（温柔女声）",
#       "nameEn":"Xiaoxiao (warm female)", "gender":"female",
#       "language":"zh", "locale":"zh-CN" }, ... ] }

# 全量音色（322 个 / 142 种语言地区）
curl -X GET 'https://api.cqtai.com/v1/tts/voices?all=1' \
  -H 'Authorization: Bearer <API_KEY>'
# -> { "code":200, "data":{ "presets":[...], "voices":[...], "formats":[...], "loadedAt":"..." } }

能力边界

默认通道提供音色 + 语速 + 音高 + 音量四个维度的控制，不支持以下能力，请不要按其他 TTS 产品的参数来对接：

不支持说明
情感风格 / 语气（cheerful、sad、angry…）默认通道不支持；需要请用千问模型 qwen-audio-3.x（情感标签 + instruction）
角色扮演（role）同上
插入静音 / 停顿标签请改用标点，或拆多次请求自行拼接
一次请求内多音色对话一次请求只能用一个音色；多角色请分多次请求
SSML 直接透传请求体只接受上表字段，不接受自定义 SSML
数字 / 日期读法指定、多音字注音不支持 say-as / phoneme

模型一览

同一个接口 POST /v1/tts，请求里加 model 即切换到千问模型：音色更自然，支持方言、多语种与情感控制。不填 model（或填 edge）仍走「默认通道」（见该标签页），行为不变。model 区分大小写，须与下表逐字一致。

model计费（按实际用量）format默认音色额外参数
qwen-audio-3.1-tts-flash输入 150 / 输出 1200 积分每百万 tokenmp3 (default) / wavlonganhuan_v3.1instruction, sampleRate
qwen-audio-3.0-tts-flash100 积分 / 万字符mp3 (default) / wavlonganhuan_v3.6instruction, sampleRate
qwen-audio-3.0-tts-plus140 积分 / 万字符mp3 (default) / wavlonganlingxininstruction, sampleRate
qwen3-tts-flash80 积分 / 万字符wavCherrylanguage
所有千问模型都接受 model / text（必填）/ voice / format；每个模型只接受上表列出的额外参数，传了别的直接 400（xxx is not supported by <model>），不会被静默忽略。

请求参数

参数类型必填默认说明
voicestring——音色，每个模型只能用自己那组（见下，或 GET /v1/tts/voices?model=<模型id>）；不填用该模型默认音色。填了别的千问模型的音色直接返回 400（voice xxx belongs to …）
instructionstring——用自然语言控制表达，如「请用东北话表达」「用温柔的语气，语速稍慢」（qwen-audio-3.x）
sampleRateint——采样率，如 16000 / 24000 / 48000（qwen-audio-3.x）
languagestring——语种提示（qwen3-tts-flash）：Auto / Chinese / English / Japanese / Korean / French / German / Spanish / Italian / Portuguese / Russian
千问模型都不支持 segments / rate / volume / subtitle / pitch（传了直接 400）。反过来，默认通道不支持 instruction / sampleRate / language。
千问模型按实际用量计费，计费依据即响应里的 usage；参数错误（400）与限流（429）不扣费。

音色（voice）

qwen-audio-3.1-tts-flash

多语种与方言（上海/广东/东北/重庆/陕西/云南/宁波/甘肃话；日/韩/法/德/葡/意/越/印尼语）：longanhuan_v3.1（女·默认）、longanlingxin_v3.1（女）、longanfengyue_v3.1（女）、xunanchuan_v3.1（男）

精品中文（仅普通话）：yuxiaoyun_v3.1、qiaoxiaojiao_v3.1、xiaxiaochen_v3.1、anmingyuan_v3.1（男）、wenhuaiqing_v3.1、anxiaolan_v3.1、xieshurou_v3.1、baiqinglan_v3.1、xuyuyuan_v3.1、anruorou_v3.1、wenhuaizhi_v3.1、xiaoxingzhi_v3.1、guyunshu_v3.1、huozhuoshi_v3.1（男）、yeqinghe_v3.1、yunhuanhuan_v3.1、xuxiaoqiao_v3.1、baianran_v3.1、xuyanchu_v3.1、yezhiqing_v3.1、andi_v3.1（男·ABC口音）、anyuqing_v3.1

精品英文（仅英文）：Emily_v3.1（英式）、Luna_v3.1（英式）、Eric_v3.1（英式）、Luca_v3.1（英式）、Abby_v3.1（美式）、Annie_v3.1（美式）、Ava_v3.1（美式）、Beth_v3.1（美式）、Betty_v3.1（美式）、Cally_v3.1（美式）、Cindy_v3.1（美式）、Donna_v3.1（美式）、Andy_v3.1（美式）、Brian_v3.1（美式）、David_v3.1（美式）

其他：longanyuanfei_v3.1、longjielidou_v3.1（男童）、longanlingxi_v3.1、longhuohuo_v3.1（少年）、longyingtao_v3.1、longanya_v3.1、longwan_v3.1、longxing_v3.1、longhua_v3.1、longhan_v3.1（男）、longanzhi_v3.1（男）、longzhe_v3.1（男）、longanyang_v3.1（男）、libai_v3.1（诗词朗诵）、longling_v3.1、longniuniu_v3.1、longshanshan_v3.1、longpaopao_v3.1、loongstella_v3.1、longyuan_v3.1、longmiao_v3.1、longsanshu_v3.1（男）、longanli_v3.1、longanwen_v3.1、longanlang_v3.1（男）、longxiaoxia_v3.1、longanchong_v3.1（男·直播带货）

qwen-audio-3.0-tts-flash

longanhuan_v3.6（默认）、longanfengyue、longanyuanfei、longanlingxi、longanxiaoxin、longjielidou_v3.6、longpaopao_v3.6、longhuohuo_v3.6、longchuanshu_v3.6、loongmary、loongeva_v3.6、loongjohn

qwen-audio-3.0-tts-plus

longanlingxin（默认）、longanlufeng

3.0 两个模型另有 500 余个基础音色，命名为 qwen-audio-3.0-tts-{plus|flash}-{后缀}，用法同上（需与模型对应）。

qwen3-tts-flash（不区分大小写，多语种通用）

Cherry（默认）、Serena、Ethan、Chelsie、Momo、Vivian、Moon、Maia、Kai、Nofish、Bella、Jennifer、Ryan、Katerina、Aiden、Eldric Sage、Mia、Mochi、Bellona、Vincent、Bunny、Neil、Elias、Arthur、Nini、Ebona、Seren、Pip、Stella、Bodega、Sonrisa、Alek、Dolce、Sohee、Ono Anna、Lenn、Emilien、Andre、Radio Gol、Jada（上海话）、Dylan（北京话）、Li（南京话）、Marcus（陕西话）、Roy（闽南语）、Peter（天津话）、Sunny（四川话）、Eric（四川话）、Rocky（粤语）、Kiki（粤语）

以上 49 个均已实测可用。带空格的音色名（如 Eldric Sage）原样填写。

文本语言必须在所选音色支持范围内，否则可能发音异常。填了其他模型的音色（如给 3.1 填了 3.0 的音色）会直接返回 400。本表实时取自 GET /v1/tts/voices?model=<模型名>（公开接口，无需 Key），也可自行调用；不带 model 返回的是默认通道的音色。

情感 / 拟声标签（仅 qwen-audio-3.x，写在 text 里）

  • 控制类（作用于其后文本，直到下一个控制标签）：[sad][amazed][angry][excited][sarcastic][curious][bored][tired][scornful][shouting][deep and loud shouting][trembling][like dracula][asmr][panicked][mischievously][empathetic][whispers][reluctantly][crying][serious][very slowly][very fast]
  • 拟声类（在当前位置插入一段效果）：[gasp][sighing][clears throat][giggles][laughing][cough][snorts]
查询某个千问模型的音色
curl -X GET 'https://api.cqtai.com/v1/tts/voices?model=qwen-audio-3.1-tts-flash'
# -> { "code":200, "data":{ "model":"qwen-audio-3.1-tts-flash",
#       "defaultVoice":"longanhuan_v3.1", "formats":[...], "params":[...],
#       "voices":{ "groups":[ { "group":"…", "groupEn":"…",
#         "voices":[ { "voice":"longanhuan_v3.1", "note":"女·默认", "noteEn":"female · default" }, ... ] } ],
#       "notes":[...], "notesEn":[...] } } }
qwen-audio-3.1：方言指令 + 情感标签
curl -X POST https://api.cqtai.com/v1/tts \
  -H 'Authorization: Bearer <API_KEY>' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "qwen-audio-3.1-tts-flash",
    "voice": "xunanchuan_v3.1",
    "text": "[excited]今天的天气真不错！[laughing]我们一起出去玩吧！",
    "instruction": "请用东北话表达"
  }'
# -> { "code":200, "data":{ "url":"https://cdn.novapi.ai/tts/....mp3", "duration":5.18,
#      "cost":0.0798, "format":"mp3", "model":"qwen-audio-3.1-tts-flash",
#      "usage":{ "characters":53, "input_tokens":20, "output_tokens":64, "total_tokens":84 } } }
qwen3-tts-flash：方言音色，输出 wav
curl -X POST https://api.cqtai.com/v1/tts \
  -H 'Authorization: Bearer <API_KEY>' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "qwen3-tts-flash",
    "voice": "Dylan",
    "text": "今儿个天儿真不错。",
    "language": "Chinese"
  }'

响应字段说明

字段类型说明
urlstring合成语音链接（平台 CDN 直链，单声道 24kHz）
durationnumber合成音频时长（秒）
costnumber本次消耗积分
formatstring实际输出格式
subtitleUrlstringSRT 字幕链接。只有请求带了 subtitle: true 才会出现，不会返回空串
modelstring千问模型才返回：本次使用的模型 id
usageobject千问模型才返回：本次计费依据 { characters, input_tokens, output_tokens, total_tokens }；qwen-audio-3.1 按 token，其余按 characters（不等于字数）

💰 价格见定价页 →

常见错误

错误码msg含义
401unauthorized缺少有效凭证
400invalid JSON请求体不是合法 JSON
400text required未提供文本（text 和 segments 都为空）
400text and segments are mutually exclusive; send one两个字段只能给一个
400segments contain no textsegments 里每段的 text 都是空白
400too many segments (max 200)段落数超上限 200
400unsupported voice音色不在支持列表
400unsupported format "xxx"; want one of mp3, mp3-high, webmformat 取值错误
400invalid rate/pitch/volume "xxx" (segments[N]); want …语速 / 音高 / 音量写法不对，消息里会直接给出正确写法和出错的段号
400format "webm" cannot be concatenated, so it is limited to 2000 characters …webm 超长，见「输出格式」
400edge tts rejected the request: …语音服务判定请求内容不合法（正常不应出现，遇到请反馈）
400unsupported modelmodel 不是 edge 或千问模型 id（区分大小写）
400instruction/sampleRate/language require a paid model默认通道传了千问模型专属参数
400pitch must be a string like "+5Hz" for the default model默认通道的 pitch 传成了数字
400segments/rate/volume/subtitle are not supported by …千问模型传了默认通道专属参数
400xxx is not supported by …该千问模型不接受这个参数（见模型表「额外参数」）
400unsupported format for … (…)format 不在该千问模型支持范围内
400voice … belongs to …, not …音色属于另一个千问模型（如给 3.1 填了 3.0 的音色），可用音色见 GET /v1/tts/voices?model=
400InvalidParameter: …千问模型参数不合法（如音色该模型不支持）
429rate limited, retry later千问模型请求过于频繁，稍后重试（未扣费）
503model unavailable千问模型当前未开放
413text too long请求体超出 256KB 上限
402insufficient balance余额不足（不扣费、不返回链接）
502tts synthesis failed合成服务暂时不可用，可直接重试（未扣费）
500upload failed结果上传失败，请重试（未扣费）
客户端读超时建议 ≥ 180s：接口是同步的，正常几秒返回；但服务侧对并发合成有闸门，高峰期请求可能先排队再合成。排队等待超出上限时同样返回 502 tts synthesis failed（未扣费，可直接重试）。