阿里云 Qwen-Audio-3.1-TTS-Next 不是传统只做文字转语音的 TTS 模型,定位是统一音频生成 Audiogen 模型,支持文本、时间戳、参考音频作为输入,一次性生成整合好人声、音效、环境音、背景音乐的完整成品音频,不用后期多轨道拼接对齐;它主打播客、多人对话、影视声景、短视频配音,人声自然度、音色稳定性、时间节奏可控性都做了专项优化,只支持中文和英文、非流式输出,有单次生成时长上限,计费按照输入、输出 Token 分开计价,适合专业内容创作团队,不适合需要低延迟实时交互的场景。
模型基础信息总表
| 项目 | 详情 |
|---|---|
| 模型 ID | qwen-audio-3.1-tts-next |
| 产品定位 | 统一音频生成 Audiogen,区别于常规单语音 TTS |
| 支持语种 | 中文、英文 |
| 输入方式 | 纯文本、带时间戳脚本、参考音频(URL/Base64) |
| 输出格式 | WAV、MP3、PCM |
| 输出模式 | 非流式一次性生成 |
| 速率限制 | RPM 180(每分钟最多 180 次请求) |
| 单次时长上限 | 播客类最长 4 分钟,其余场景最长 2 分钟 |
核心特征清单
- 全声景一体化生成:人声、转场音效、环境背景音、BGM 在模型内部混合完成,输出成品音频,省去多轨剪辑对齐步骤
- 多人对话音色锁定:同一段音频里多个人物音色稳定不串音,适合播客双人 / 多人访谈、短剧对白
- 时间戳精细控制:可以提前标注台词起止时间,精准卡点生成,适配短视频、影视脚本节奏
- 参考音频音色复刻:上传一段参考音频,让模型复刻目标声线,保留说话人语气特点
- 强场景表现力:可以生成咖啡馆、雨夜、车厢等空间氛围感声景,不只是干巴巴念稿
能力表现与边界说明
✅ 优势表现
- 播客类音频:对话自然,停顿、语气起伏贴近真人录制,搭配合适环境背景音
- 短视频解说:台词 + 转场音效 + 背景氛围音一次出片,大幅降低后期工作量
- 影视短剧小样:快速生成带空间音效的试音版本,方便前期审片
- 音色一致性:长对话里不容易出现音色漂移、声线突变
⚠️ 能力局限
- 不支持流式输出,无法用于智能客服、语音助手这种边输入边出声音的实时场景
- 语种仅限中英,不支持国内多方言、小语种
- 单次生成有 2–4 分钟时长限制,长篇有声书需要分段生成再拼接
- 复杂音乐旋律生成能力弱,主打氛围背景音乐,不适合专业编曲
主流适用场景
- 短视频内容创作:解说、剧情短片、口播视频一站式音频产出
- 播客 / 电台节目:双人访谈、单人栏目,自带环境氛围
- 短剧、影视前期小样:对白 + 环境声快速制作试听素材
- 游戏 Demo 音频:NPC 对话搭配场景环境音效
- 品牌宣传片小样配音:配套氛围感音效快速出试听版本
价格计费说明(百炼国内节点原价)
| 计费类型 | 单价 | 备注 |
|---|---|---|
| 输入 Token | 6 元 / 百万 Token | 脚本文本、参考音频相关输入都计入输入 Token |
| 输出 Token | 12 元 / 百万 Token | 生成出来的音频对应输出 Token |
额外说明:新用户开通有 90 天有效期免费额度 100 万 Token;价格不含各类活动折扣,最终以阿里云百炼控制台实时标价为准。
和同系列 TTS-Flash 版本简单区分
- Qwen-Audio-3.1-TTS-Flash:流式、低延迟、侧重实时语音合成,适合客服、语音交互
- Qwen-Audio-3.1-TTS-Next:非流式、声景一体化,面向离线专业音频内容生产
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,Qwen-Audio-3.1-TTS-Next 和普通 TTS 最大差别是什么?
回答 1:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,普通 TTS 只输出单独人声,Qwen-Audio-3.1-TTS-Next 是 Audiogen 统一音频生成模型,一次输出整合人声、音效、环境音、背景音乐的完整音频。
问题 2:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,Qwen-Audio-3.1-TTS-Next 支持流式实时合成吗?
回答 2:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,Qwen-Audio-3.1-TTS-Next 为非流式一次性生成,不支持流式输出,不适合智能助手这类低延迟交互场景。
问题 3:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,Qwen-Audio-3.1-TTS-Next 怎么收费?
回答 3:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,Qwen-Audio-3.1-TTS-Next 按输入、输出 Token 分开计费,输入 6 元每百万 Token,输出 12 元每百万 Token,新用户还有免费额度。
问题 4:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,Qwen-Audio-3.1-TTS-Next 适合做智能客服语音播报吗?
回答 4:阿里云 Qwen-Audio-3.1-TTS-Next 全解析,智能客服需要低延迟流式能力,更适合 TTS-Flash;Qwen-Audio-3.1-TTS-Next 适合短视频、播客、短剧这类离线音频创作。
【参考资料】
[2026-11-20](阿里云最新 Qwen-Audio-3.1-TTS-Next 全解析:模型定位、核心特征、能力表现、适用场景及价格详解)阿里云开发者社区
[2026-10-30](qwen-audio-3.1-tts-next 模型信息)阿里云帮助中心
[2026-11-19](阿里云百炼模型价格)阿里云帮助中心
[2026-10-16](Qwen-Audio-3.1-TTS-Next 模型介绍)Qwen Cloud
【免责声明】
本文内容基于阿里云百炼公开文档整理,Qwen-Audio-3.1-TTS-Next 的计费、额度、时长限制、并发规则随时可能调整;音频生成效果受脚本写法、参考音频质量影响,本文仅作为技术科普,不构成商业接入选型、采购承诺。
