阿里云在百炼平台上线 Qwen-Audio-3.1-TTS-Next,它属于统一音频生成 AudioGen 模型,和传统只做单纯文字转语音的 TTS 不一样,支持输入文本、时间戳、参考音频,一次性同时生成人声、环境音效、背景音乐,支持单人朗读、多人对话、播客、影视剧声景等多种音频任务,音色稳定性强、人声表达自然,还支持时间轴精准控制,适合短视频、播客、影视、游戏音频这类专业音频创作,是通义千问音频系列里主打一站式音频成片的型号。之所以要单独推出这款 AudioGen 模型,是老版 TTS 大多只能输出人声,音效、背景音乐还得后期软件单独加,剪辑流程繁琐;而 Qwen-Audio-3.1-TTS-Next 把人声、音效、背景声放在同一个生成链路里,直接出完整声景,搭配参考音频还能锁定固定音色,不用反复调参,适合内容团队批量做音频内容。调用使用流程也很清晰,在阿里云百炼控制台选择模型 ID qwen-audio-3.1-tts-next,上传参考音频或者直接输入带时间戳的提示词,设置好音频输出格式 WAV/MP3/PCM,提交生成;单次请求有时长上限,播客类最长 4 分钟,其余场景最长 2 分钟,参考音频最多 30 秒、10MB 以内,生成完成之后直接下载音频文件,也可以对接 API 接入自有业务系统。综合来看,Qwen-Audio-3.1-TTS-Next 不是用来替代 Flash、Plus 这类常规语音合成模型,而是专门解决 “人声 + 音效 + 配乐一体化音频制作” 的需求,主打音频内容一站式生成。
模型基础信息清单
- 模型名称:Qwen-Audio-3.1-TTS-Next
- 模型 ID:qwen-audio-3.1-tts-next
- 所属平台:阿里云百炼(Model Studio)
- 模型类型:AudioGen 统一音频生成模型
- 输入:文本、时间戳、参考音频(URL/Base64)
- 输出:音频文件(WAV、MP3、PCM)
- 支持语种:中文、英文
- 输出模式:非流式
- 调用上限:RPM 180 次 / 分钟
- 免费额度:开通后 90 天内 100 万 Token 免费额度(华北 2 地域)
和同系列 TTS 模型对比表
| 模型 | 定位 | 核心能力 | 计费方式 | 适合场景 |
|---|---|---|---|---|
| Qwen-Audio-3.1-TTS-Next | AudioGen 一体化音频生成 | 人声 + 音效 + 环境音 + 背景音乐一起生成,支持多人对话、播客声景 | 输入 6 元 / 百万 Token,输出 12 元 / 百万 Token | 短视频、播客、影视片段、游戏音频成片 |
| Qwen-Audio-3.1-TTS-Plus | 精品专业 TTS | 高质量单人语音合成,情绪、音色复刻强,流式输出 | 按 Token 计费 | 有声书、品牌配音、精品旁白 |
| Qwen-Audio-3.1-TTS-Flash | 低延迟 TTS | 快速流式合成,延迟低,成本更低 | 按 Token 计费 | 智能客服、语音助手、实时对话 |
Qwen-Audio-3.1-TTS-Next 核心能力清单
- 一体化声景生成:一次生成人声、环境音效、背景音乐,不用分开合成再混音
- 多角色对话:支持多人交替说话,保持每个角色音色稳定不串音
- 参考音色锁定:上传参考音频,复刻对应音色,保证多段音频音色统一
- 时间戳控制:支持传入时间戳,精准控制每个角色说话的起止时间
- 多语种 TTS:中文、英文语音合成,自然度优于基础 TTS
- 播客、影视剧声景生成:直接生成带氛围音的节目片段
优势和使用限制
✅ 优势
- 一站式音频生成,省去后期混音、找音效素材的时间
- 音色一致性好,长片段、多轮调用不容易出现音色漂移
- 支持时间轴控制,对脚本化的短视频、短剧音频很友好
- 可以通过 API 接入,适合批量自动化生产音频内容
- 非流式输出,没办法边生成边播放,不适合实时语音交互
- 单次生成时长有限,播客最长 4 分钟,普通场景最长 2 分钟
- 只支持中英双语,暂不支持大量方言
- 价格高于 Flash,单纯只需要人声朗读,选 Flash 性价比更高
⚠️ 限制
【常见问题】
问题 1:阿里云 Qwen-Audio-3.1-TTS-Next 大模型是什么定位,和普通 TTS 有什么区别?
回答 1:阿里云 Qwen-Audio-3.1-TTS-Next 大模型是 AudioGen 统一音频生成模型,普通 TTS 只生成人声,它可以一次性生成人声、音效、环境音、背景音乐,直接产出完整声景音频。
问题 2:阿里云 Qwen-Audio-3.1-TTS-Next 大模型的计费价格是多少?
回答 2:阿里云 Qwen-Audio-3.1-TTS-Next 大模型在华北 2 地域,输入 6 元 / 百万 Token,输出 12 元 / 百万 Token,输入输出分开计费,还有 90 天有效期的 100 万 Token 免费额度。
问题 3:阿里云 Qwen-Audio-3.1-TTS-Next 大模型适合哪些业务场景?
回答 3:阿里云 Qwen-Audio-3.1-TTS-Next 大模型适合短视频配音、播客节目、短剧片段、游戏剧情音频、有声情景剧这类需要人声搭配音效配乐的音频创作场景。
问题 4:阿里云 Qwen-Audio-3.1-TTS-Next 大模型支持参考音频音色复刻吗?
回答 4:支持,阿里云 Qwen-Audio-3.1-TTS-Next 大模型可以上传参考音频锁定音色,参考音频上限 30 秒、10MB,格式支持 WAV、MP3、OGG Opus。
问题 5:只需要单纯朗读旁白,要不要选 Qwen-Audio-3.1-TTS-Next?
回答 5:不推荐,阿里云 Qwen-Audio-3.1-TTS-Next 大模型主打一体化声景,单纯做旁白朗读,选 TTS-Flash 或者 TTS-Plus 成本更低、更适配。
【参考资料】
[2026-10-30](qwen-audio-3.1-tts-next 模型信息)阿里云帮助中心
[2026-11-18](阿里云百炼 Qwen-Audio 系列模型计费价格表)阿里云百炼文档
[2026-09-21](Qwen-Audio-3.1-TTS-Next 上线,一体化音频生成)阿里云百炼控制台公告
[2026-10-31](通义千问 AudioGen 模型对比:Next、Plus、Flash 选型指南)InfoQ
[2026-11-02](Qwen-Audio-3.1-TTS-Next API 调用参数说明)阿里云开发者社区
【免责声明】
本文内容来自阿里云百炼官方文档,Qwen-Audio-3.1-TTS-Next 大模型的价格、免费额度、调用限制、支持语种后续可能调整,优惠活动以阿里云控制台实时页面为准;模型生成音频的版权、商用授权需要自行确认,本文仅为技术科普,不构成商用落地、采购选型担保。
