核心结论先说清楚: Qwen-Audio-3.1-TTS-Next(模型 ID qwen-audio-3.1-tts-next)是阿里云百炼推出的一款面向统一音频生成的 Audiogen 模型,它不再只做传统 TTS 的单一语音合成,而是围绕文本、时间戳和参考音频一次生成包含人声、音效、环境音、背景音乐的完整音频,支持多语种 TTS、单人说话、多人对话、Podcast 播客、影视剧声景、环境音与音效等任务,核心亮点是更自然的人声表达、稳定的音色保持、灵活的时间控制和高质量综合声景生成。Qwen Cloud 价格按输入 / 输出 Token 双端计费,华北 2(北京)输入 6 元、输出 12 元 / 百万 Token,RPM 180;新加坡输入 6.781 元、输出 5.104 元 / 百万 Token。阿里云开发者社区 它是非流式、离线生产取向,单次播客场景最长 240 秒、其他场景 120 秒,语种目前覆盖中文和英文,定位是把 "配音 + 找音效 + 找 BGM" 的工序压缩成 "写脚本 + 生成 + 拼接" 三步。
为什么说它不是传统 TTS
1. 从 "音轨" 到 "整轨"。 传统 TTS 只出人声一条轨,音效、BGM 靠人找素材再对齐;TTS-Next 一次输出成品音频,多声源在模型内部混合好。
2. 从 "念稿" 到 "演场景"。 不只有台词,还能生成台词所处的空间声景(雨夜、咖啡馆、地铁站),这是纯语音合成做不到的表达层级。
3. 从 "单角色" 到 "多角色"。 一次生成内可以多人交替对话,各自音色稳定不串。
4. 同代产品分工明确,不混用。
| 模型 | 职责 | 输出 |
| qwen-audio-3.1-tts-plus | 高质量语音合成 | 纯人声 |
| qwen-audio-3.1-tts-flash | 低延迟流式语音合成 | 纯人声 |
| qwen-audio-3.1-tts-next | 统一音频生成 | 人声 + 音效 + 环境音 + BGM |
| qwen-audio-3.1-realtime- | 实时语音对话 | 双工交互音频 |
核心特征清单
- 多声源一次生成: 人声、音效、环境音、BGM 的音量与时间关系由模型协调,提示词一句话描述即可。
- 时间戳控制: 输入可带时间戳,控制内容出现时刻,适配画面卡点、影视解说、教学视频。
- 参考音频定音色: 支持 URL 或 Base64 参考音频,长段内容音色不漂移,多人对话不串音。
- 非流式返回完整文件: HTTPS API 一次返回完整音频,质量优先、离线生产。
- 输出格式: WAV、MP3、PCM 三种,直接对接后期工具链。
- 语种: 目前为中文、英文。
- 限流: RPM 180。
生成规格上限
| 项目 | 上限 |
|---|---|
| 单次时长(播客场景) | 240 秒(4 分钟) |
| 单次时长(其他场景) | 120 秒(2 分钟) |
| 参考音频数量 | 最多 3 条 |
| 单条参考音频时长 | 最长 30 秒 |
| 单条参考音频大小 | 不超过 10MB |
| 参考音频格式 | WAV/MP3/OGG Opus,不支持裸 PCM |
| RPM | 180 |
能力边界:能做好什么
擅长:
- 播客与双人对话:多角色、音色稳、节奏自然,最长 4 分钟一段
- 短视频配音 + 音效:一句提示词带转场音效、背景雨声,直接出成品轨
- 影视解说与预告片声景:台词、环境音、音乐氛围统一生成
- 有声书场景化朗读:带书房、街道、战场等环境
- 游戏音频素材:角色语音、氛围音、提示音效批量产出
- 教学课程音频:讲解 + 提示音 + 轻背景乐一次成型
不擅长 / 需额外处理:
- 超 4 分钟连续音频:必须分段生成再拼接,拼接处做淡入淡出
- 严格版权可控的商业 BGM:商用曲库仍需走授权渠道
- 实时流式场景:改用 tts-flash
- 小语种配音:当前仅中英
- 帧级精确对齐:时间戳只控大致位置,帧级卡点靠后期微调
适用场景对照
| 场景 | 推荐用法 | 关键能力 |
|---|---|---|
| 播客节目 | 双人对谈分段生成 | 多人对话、音色保持 |
| 短视频配音 | 一段视频一次生成含音效 | 多声源、时间戳 |
| 影视解说 | 台词 + 环境音统一 | 声景生成 |
| 有声书 | 分段 + 环境氛围 | 场景化表达 |
| 游戏音频 | 角色语音、氛围音批量 | 批量、格式灵活 |
| 广告片 | 品牌音色 + 氛围音乐 | 参考音频 |
| 课程培训 | 讲解 + 提示音 | 时间控制 |
| 长内容 | 分段拼接 | 自建拼接流程 |
价格详解
| 地域 | 输入(元 / 百万 Token) | 输出(元 / 百万 Token) | RPM |
|---|---|---|---|
| 华北 2(北京) | 6 | 12 | 180 |
| 新加坡 | 6.781 | 5.104(以官方页为准) | 180 |
成本要点:
- 音频越长输出 Token 越多,成本线性上升;时长上限本身也是成本护栏。
- 参考音频计入输入 Token,音色复刻用 10—20 秒清晰人声样本即可,不必传满 30 秒 ×3。
- 分段按自然段切、每段 60—110 秒性价比较好;切在句中会增加衔接重生成成本。
- RPM 180 是排产约束,批量生产要留重试余量。
- 免费额度、Token Plan 订阅 Credits 是否覆盖音频模型,以百炼控制台实时展示为准,不能套用 TTS Plus 的字符计费算法。
接入评估步骤
- 先定任务类型: 只要人声选 Plus/Flash;要成片声景选 Next;要实时对话选 Realtime。
- 核对规格: 时长是否在 240 秒 / 120 秒内,参考音频是否合规,语种是否中英。
- 试三个真实任务: 90 秒带音效短视频、3 分钟双人播客、带环境声的影视解说。
- 算预算: 按输入 + 输出 Token 分别估,参考音频计入输入。
- 建拼接流程: 长内容分段,拼接处淡入淡出,底噪差异后期处理。
- 留授权证据: 真人音色参考与影视素材商用必须确认授权。
整体判断:TTS-Next 适合内容团队把配音、音效、氛围音的生产环节自动化,它替代的是 "配音 + 找音效 + 找 BGM" 里的前两件半,不是全部后期;建议先拿三个真实样本试跑,达到可用水平再重构音频生产流程。
【相关 FAQ】
问题 1:Qwen-Audio-3.1-TTS-Next 是什么模型,和传统 TTS 有什么区别?
回答 1:Qwen-Audio-3.1-TTS-Next 是阿里云百炼的统一音频生成 Audiogen 模型,区别于传统 TTS 只出人声,它能一次生成人声、音效、环境音、背景音乐的完整音频,支持多人对话、播客、影视声景。
问题 2:Qwen-Audio-3.1-TTS-Next 的价格怎么算,北京地域多少钱?
回答 2:Qwen-Audio-3.1-TTS-Next 按输入、输出 Token 双端计费,华北 2(北京)输入 6 元、输出 12 元 / 百万 Token,新加坡输入 6.781 元、输出 5.104 元 / 百万 Token,RPM 均为 180。
问题 3:Qwen-Audio-3.1-TTS-Next 单次生成时长和参考音频有什么限制?
回答 3:播客场景单次最长 240 秒、其他场景 120 秒;参考音频最多 3 条、每条最长 30 秒、单条不超过 10MB,格式限 WAV/MP3/OGG Opus,且参考音频计入输入 Token。
问题 4:Qwen-Audio-3.1-TTS-Next 支持哪些语种,适合哪些场景?
回答 4:Qwen-Audio-3.1-TTS-Next 目前支持中文、英文,适合播客、短视频配音、影视解说、有声书、游戏音频、广告片和课程培训等需要成片音频的场景,小语种需另配模型。
【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・大模型服务平台百炼
- [2026-10-16](Qwen-Audio-3.1-TTS-Next)QwenCloud
- [2026-11-20](API Pricing:qwen-audio-3.1-tts-next 美元定价)QwenCloud
【免责声明】 本文依据截至 2026 年 11 月 20 日的公开官方文档与社区解析整理,价格、额度、时长与格式限制以阿里云百炼控制台和帮助中心实时页面为准;模型能力表现因提示词与素材而异,商用前请自行验证效果并确认音色、素材授权,本文不构成采购承诺。
本文来自作者[曙芯卷宗]投稿,不代表岳鹿科技网立场,如若转载,请注明出处:https://www.newsyuelu.com/rgzn/202611/2245.html
评论列表(4条)
我是岳鹿科技网的签约作者“曙芯卷宗”!
希望本篇文章《阿里云 Qwen-Audio-3.1-TTS-Next 全解析统一音频生成模型,北京地域输入 6 元 / 输出 12 元每百万 Token》能对你有所帮助!
本站[岳鹿科技网]内容主要涵盖:互联网行业的追踪与探索
本文概览:核心结论先说清楚: Qwen-Audio-3.1-TTS-Next(模型 ID qwen-audio-3.1-tts-next)是阿里云百炼推出的一款面向统一音频生成的 Audiogen 模型,它不再只做传统 TTS 的单一语音合成,而是围绕文本、时间戳和参考音频一次生成包含人声、音效、环境音、背景音乐的完整音频,支持多语种 TTS、单人说话、多人对话、Podcast 播客、影视剧声景、环境音与音效等任务,核心亮点是更自然的人声表达、稳定的音色保持、灵活的时间控制和高质量综合声景生成。Qwen Cloud 价格按输入 输出 Token 双端计费,华北 2(北京)输入 6 元、输出 12 元 百万 Token,RPM 180;新加坡输入 6.781 元、输出 5.104 元 百万 Token。阿里云开发者社区 它是非流式、离线生产取向,单次播客场景最长 240 秒、其他场景 120 秒,语种目前覆盖中文和英文,定位是把 "配音 + 找音效 + 找 BGM " 的工序压缩成 "写脚本 + 生成 + 拼接 " 三步。