curl --request POST \
  --url https://api.evolink.ai/v1/audios/generations \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "qwen-audio-3.1-tts-flash",
  "prompt": "我家的后面有一个很大的花园。"
}
'

{
  "created": 1790000000,
  "id": "task-unified-1790000000-abcd1234",
  "model": "qwen-audio-3.1-tts-flash",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 3,
    "audio_type": "tts"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.0144
  }
}

Qwen Audio TTS

Qwen Audio 3.1 TTS Flash 语音合成

将文本转换为语音音频，单次最多 5000 字符
提供 68 个系统音色，完整列表见音色列表；也可以使用你自己用 Voice Enrollment 创建的音色（复刻或设计）
自定义音色默认有效期为 6 小时，从创建任务完成时起算；到期后合成返回 404（voice_expired），需重新调用 Voice Enrollment 创建音色
支持自然语言指令（instruction）、文本内情感与富语言标签、SSML、自定义发音（hot_fix）
只接受下方列出的参数，传入其他参数返回 400（unsupported_parameter）
异步处理模式，使用返回的任务ID 进行查询
任务提交后不支持取消
生成的音频链接有效期为24小时，请尽快保存

计费说明：

按实际 token 用量计费：输入 token（与文本长度相关）和输出 token（与生成音频的时长相关）分别计价
提交时按文本长度预扣积分（usage.credits_reserved），任务完成后按实际用量结算，多退少补；任务失败全额退还
数字、字母、符号会被逐个念出来，生成的音频比同样长度的正文长得多，输出 token 也相应更多，实际消耗可能高于预扣
同一段文本，放慢语速的指令或标签（如 [very slowly]）会让输出 token 明显增加；speech_rate 调节和 SSML 插入的停顿不增加输出 token

任务结果（status 为 completed 时）：

字段	说明
`results[0]`	音频链接
`result_data[0].audio_url`	音频链接，与 `results[0]` 相同
`result_data[0].format`	音频格式
`result_data[0].sample_rate`	采样率（Hz）
`usage.input_tokens` / `usage.output_tokens` / `usage.total_tokens`	本次合成的 token 用量
`usage.credits_used`	实际消耗积分

POST

audios

generations

curl --request POST \
  --url https://api.evolink.ai/v1/audios/generations \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "qwen-audio-3.1-tts-flash",
  "prompt": "我家的后面有一个很大的花园。"
}
'

{
  "created": 1790000000,
  "id": "task-unified-1790000000-abcd1234",
  "model": "qwen-audio-3.1-tts-flash",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 3,
    "audio_type": "tts"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.0144
  }
}

授权

Authorization

string

header

必填

##所有接口均需要使用Bearer Token进行认证##

获取 API Key：

访问 API Key 管理页面获取您的 API Key

使用时在请求头中添加：

Authorization: Bearer YOUR_API_KEY

请求体

application/json

Option 1
Option 2

prompt 和 input 至少提供一个非空文本；同时提供时内容必须一致。response_format 和 format 同时提供时取值必须一致。

prompt

string

必填

待合成的文本

约束：

最多 5000 字符
长文本请保留标点：没有句读的连续长段会被上游截断到约 1500 个输出 token（约 120 秒音频），任务仍报成功并按实际生成的 token 计费，网关无法检测这种截断
也可用 input 传入，至少提供一个非空文本；建议只传一个，同时传入且内容不同时返回 400（parameter_conflict）
文本须在所选音色支持的语言范围内，否则可能出现发音错误

情感与富语言标签：可直接在文本中嵌入标签，无需额外参数；标签文字计入计费字符

控制类标签：设定其后文本的情感或风格，直到遇到下一个控制类标签。[sad] 悲伤、[amazed] 惊叹、[deep and loud shouting] 深沉大声呐喊、[trembling] 颤抖、[angry] 愤怒、[excited] 兴奋、[sarcastic] 讽刺、[curious] 好奇、[like dracula] 低沉阴森、[bored] 无聊、[tired] 疲惫、[scornful] 轻蔑、[shouting] 大喊、[asmr] ASMR 轻柔耳语、[panicked] 恐慌、[mischievously] 调皮、[empathetic] 共情、[whispers] 耳语、[reluctantly] 不情愿、[crying] 哭泣、[serious] 严肃、[very slowly] 非常缓慢、[very fast] 非常快速
富语言类标签：在当前位置插入一段拟声效果，不影响前后文本的情感。[gasp] 倒吸一口气、[sighing] 叹息、[clears throat] 清嗓、[giggles] 咯咯笑、[laughing] 大笑、[cough] 咳嗽、[snorts] 哼声

示例： [excited]今天的天气真不错！[laughing]我们一起出去玩吧！

enable_ssml 为 true 时，本字段按 SSML 解析

Maximum string length: 5000

Pattern: \S

示例:

"我家的后面有一个很大的花园。"

model

enum<string>

默认值:qwen-audio-3.1-tts-flash

必填

模型名称

可用选项:

qwen-audio-3.1-tts-flash

示例:

"qwen-audio-3.1-tts-flash"

input

string

prompt 的别名，文本长度和使用规则与 prompt 相同

prompt 和 input 至少提供一个非空文本
同时提供时内容必须一致，否则返回 400（parameter_conflict）

Maximum string length: 5000

示例:

"我家的后面有一个很大的花园。"

voice

string

默认值:longanhuan_v3.1

音色名称，区分大小写

共 68 个系统音色，名称、性别、适用场景见音色列表
不传时默认使用 longanhuan_v3.1
也可以传你自己用 Voice Enrollment 创建的音色：复刻的形如 qwen-audio-3.1-tts-flash-{前缀}-{32 位标识}，设计的形如 qwen-audio-3.1-tts-flash-vd-{前缀}-{32 位标识}。只有创建它的账号能用；别的模型创建的音色（如 qwen-voice-design 的 qwen-tts-vd-…）不能用，返回 400（invalid_voice）；不存在或不属于你的音色返回 404（voice_not_found）
自定义音色默认有效期为 6 小时，从创建任务完成时起算；到期后合成返回 404（voice_expired），需重新调用 Voice Enrollment 创建音色

示例:

"longanhuan_v3.1"

response_format

enum<string>

默认值:mp3

输出音频格式，支持 mp3、wav、opus，默认 mp3

opus 为 Ogg Opus 封装
也可用 format 传入；建议只传一个，同时传入且取值不同时返回 400（parameter_conflict）

可用选项:

mp3,

wav,

opus

示例:

"mp3"

format

enum<string>

response_format 的别名，支持 mp3、wav、opus

两个字段都未提供时默认使用 mp3
同时提供时取值必须一致，否则返回 400（parameter_conflict）

可用选项:

mp3,

wav,

opus

示例:

"mp3"

sample_rate

enum<integer> | null

默认值:24000

输出采样率（Hz）

response_format 为 opus 时不支持 22050 和 44100
不传或传 null 时使用默认值；传 0 或列表以外的值返回 400

可用选项:

8000,

12000,

16000,

22050,

24000,

44100,

48000,

null

示例:

24000

volume

integer

默认值:50

音量，取值范围 0 ~ 100

必填范围: 0 <= x <= 100

示例:

50

speech_rate

number

默认值:1

语速倍数

1.0：正常语速（默认）
2.0：两倍速；0.5：半速

取值范围 0.5 ~ 2.0。调节语速不改变输出 token 数

必填范围: 0.5 <= x <= 2

示例:

1

pitch

number

默认值:1

音调倍数

1.0：默认音调
大于 1.0 声音更高，小于 1.0 声音更低

取值范围 0.5 ~ 2.0

注意：调节音调会同时改变语速和音频时长

音调越高语速越快、时长越短，音调越低语速越慢、时长越长，时长大约按音调值的平方反比变化
以一句 1.0 时约 2.8 秒的话为例：0.8 约 4.3 秒，1.2 约 2.1 秒，0.5 约 10.9 秒，2.0 约 0.7 秒
建议在 0.8 ~ 1.2 之间微调；接近 0.5 或 2.0 时语音会明显过慢或过快
同时传了不等于 1.0 的 speech_rate 时，pitch 不生效；两者不能叠加使用
调节音调不改变输出 token 数

必填范围: 0.5 <= x <= 2

示例:

1

instruction

string

自然语言指令，用于控制情感、语气、角色、方言等表达方式

约束：

不超过 100 计费字符：汉字（包括日文汉字、韩文汉字）按 2 计，其他字符按 1 计（假名、韩文字母均按 1 计；约 50 个汉字或 100 个英文字符），超出返回 400

示例：

用欢快、热情的语气说
请用上海话表达（多语种与方言音色）
Speak slowly in a calm and gentle tone

指令本身不计入输入 token，但会影响生成音频的时长，从而影响输出 token

参数名为 instruction（单数），传 instructions 会返回 400

示例:

"用欢快、热情的语气说"

language

enum<string>

目标语种提示，用于改善数字、缩写、符号的读法和小语种的合成效果

例如英文句子 hello, this is 110 传 zh 时，110 读作「幺幺零」

值	语种	值	语种
`zh`	中文	`th`	泰语
`en`	英语	`id`	印尼语
`fr`	法语	`vi`	越南语
`de`	德语	`es`	西班牙语
`ja`	日语	`it`	意大利语
`ko`	韩语	`ms`	马来语
`ru`	俄语	`fil`	菲律宾语
`pt`	葡萄牙语	`ar`	阿拉伯语

不传时由模型自动判断；本参数不会翻译文本

可用选项:

zh,

en,

fr,

de,

ja,

ko,

ru,

pt,

th,

id,

vi,

es,

it,

ms,

fil,

ar

示例:

"zh"

enable_ssml

boolean

默认值:false

是否按 SSML 解析 prompt

开启后可使用 SSML 标签，例如用 <break time="1s"/> 插入停顿： <speak>欢迎收听今天的节目。<break time="1s"/>我们马上开始。</speak>

SSML 插入的停顿不计入输出 token

示例:

false

hot_fix

object

自定义发音与文本替换，用于纠正多音字、专有名词等读音

pronunciation：为指定词语标注拼音（音节间用空格分隔，声调用数字标注，如 tian1 qi4），纠正默认读音
replace：合成前把指定词语替换为目标文本，按替换后的文本合成和计费；替换后的文本同样不能超过 5000 字符，超出返回 400（prompt_too_long）

两类词条合计最多 200 条（按对象中的键值对计数），超过返回 400（invalid_parameter）

两项至少传一项，每项为非空数组，数组元素为 {"词语": "值"} 形式的对象

示例：

{
  "pronunciation": [{"天气": "tian1 qi4"}],
  "replace": [{"今天": "金天"}]
}

Show child attributes

enable_aigc_tag

boolean

默认值:false

是否在生成的音频中嵌入 AIGC 隐性标识（wav / mp3 / opus 格式生效）

示例:

false

callback_url

string<uri>

任务完成后的HTTPS回调地址

回调时机：

任务完成（completed）或失败（failed）时触发；本模型不支持取消
在计费确认完成后发送

安全限制：

仅支持HTTPS协议
禁止回调到内网IP地址（127.0.0.1、10.x.x.x、172.16-31.x.x、192.168.x.x等）
URL长度不超过2048字符

回调机制：

超时时间：10秒
失败后最多重试3次（会分别在失败的1秒/2秒/4秒后进行重试）
回调响应体格式与任务查询接口返回的格式一致
回调地址若返回2xx状态码视为成功，其他状态码会触发重试

示例:

"https://your-domain.com/webhooks/tts-completed"

响应

语音合成任务创建成功

created

integer

任务创建时间戳

示例:

1790000000

string

任务ID

示例:

"task-unified-1790000000-abcd1234"

model

string

实际使用的模型名称

示例:

"qwen-audio-3.1-tts-flash"

object

enum<string>

任务的具体类型

可用选项:

audio.generation.task

progress

integer

任务进度百分比 (0-100)

必填范围: 0 <= x <= 100

示例:

0

status

enum<string>

任务状态

可用选项:

pending,

processing,

completed,

failed

示例:

"pending"

task_info

object

音频任务详细信息

Show child attributes

type

enum<string>

任务的输出类型

可用选项:

audio

示例:

"audio"

usage

object

使用量和计费信息

Show child attributes

图像系列

视频系列

音频系列

语言系列

账户管理

任务管理

文件管理

Qwen Audio 3.1 TTS Flash 语音合成

授权

请求体

响应