通义千问语音合成 TTS
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/qianwen-ai-qianwen-ai-audio。
技能介绍
要解决什么问题
当你要在本地或 Agent 工作流里把短文本或长文稿变成可播放的音频,而不是手写 curl、猜模型 ID、或混用两套 API(HTTP 与 NRT/WebSocket)时,单靠控制台试播往往不够用。本技能面向 QianWen-AI/qianwen-ai 体系下的语音合成:用技能目录内的脚本与参考文档,把「选模型 → 选音色 → 发请求 → 落盘音频」串成可重复的路径。
技能如何工作
技能按模型族拆成两条执行线:
scripts/tts.py:Qwen3 TTS HTTP API,默认qwen3-tts-flash;需要语气/风格时用qwen3-tts-instruct-flash,通过instructions控制语调(中英,有长度上限)。scripts/tts_cosyvoice.py:CosyVoice 与 Qwen-Audio-TTS(NRT/需 dashscope SDK),适合更长文本(单次最多约 2 万字符)、更多采样率/格式,以及部分模型的instruction控制。
配套参考包括 prompt-guide.md(文本与指令写法)、execution-guide.md(Python 不可用时用 curl 等兜底)、cosyvoice-guide.md(音色与报错)、api-guide.md(字段补充)。Agent 侧还需注意 agent-compatibility.md:部分环境不会自动加载技能,需在项目配置里注册。
边界与注意点
- 脚本要求标准按量 API Key(
sk-...);Token Plan 密钥(sk-sp-...)会被脚本启动时直接拒绝,与本技能不兼容。 - 严禁在输出中明文暴露
DASHSCOPE_API_KEY;未配置时应引导用户用占位符写.env,而非索要密钥原文。 - CosyVoice v3.5 系列不支持文档中列出的系统音色,须先通过语音克隆/声线设计拿到自定义
voiceID。 - 模型列表会随官方变更;做选型时应以官方模型页或
qianwen-model-selector等动态信息为准,技能内表格仅为时间点快照。
使用场景
- Agent 收到用户文稿后,用 `tts.py` 指定 Cherry/Ethan 等系统音色,生成 wav 并写入 `--output` 目录供试听
- 产品旁白需「更严肃/更活泼」时,选 `qwen3-tts-instruct-flash` 并填写 `instructions` 做风格控制后导出音频
- 单次朗读超过 600 字的长稿,改用 `tts_cosyvoice.py` 调用 `cosyvoice-v3-flash` 或 Qwen-Audio-TTS 模型合成
- 已开通 CosyVoice v3.5 且完成声线克隆,在请求 JSON 中传入自定义 `voice` ID 生成指定人设配音
适合人员
- 维护内部自动化流水线的后端工程师,要把 DashScope TTS 调用固化成脚本参数而非每次手写 HTTP
- 做技术演示或课程录制的创作者,需要用 instruct 模型按段落微调语气再批量出音频
- 在 Claude Code 等不自动加载技能的环境里配置 Agent,需要按 execution-guide 走脚本或 curl 兜底
- 运营或产品同学负责多语言试听物料,需在 flash/plus 模型间按延迟与音质权衡选型