千问 Qwen-Audio-3.1-TTS-Plus 上手：用 [excited]、[sighing] 这些标签给视频配出“有情绪”的旁白

10 月 21 日上线了什么

2026 年 10 月 21 日，千问 AI 平台的模型更新日志里出现了 qwen-audio-3.1-tts-plus。官方给它的定位是“面向精品音色和内容创作的高质量、专业级语音合成大模型”，推荐用在品牌音色、有声书、影视配音和角色演绎上。

它属于 Qwen-Audio-3.1 系列，同系列还有 9 月 18 日上线的 qwen-audio-3.1-tts-flash。两者能力描述基本相同，区别在侧重点：

模型	侧重	适合场景
`qwen-audio-3.1-tts-plus`	音质与高分辨率	视频旁白、有声书、角色配音
`qwen-audio-3.1-tts-flash`	低延迟、实时合成	语音助手、实时对话、客服

官方列出的能力包括：多语言和方言、流式合成、自由形式的自然语言指令，以及细粒度标签控制情绪、语气、角色、语速和音量。复刻音色方面，Plus 版对带噪声、带混响的参考音频更稳，复刻出来的音质、清晰度和表现力更好。

另外，11 月 10 日有开发者在 Linux.do 发了一份 7 款 TTS 模型的盲测，按 Elo 排序，转载文章称 ElevenLabs 和千问 TTS 处在第一梯队。这只是社区评测，样本和方法没有完整公开，参考一下就好，好不好用还是要自己拿台词试。

这篇只讲做视频、做内容的人最关心的部分：怎么让 AI 配音不再“念稿腔”。

情感标签：直接写进台词里

以前让 TTS 带情绪，要么换音色，要么写 SSML。现在 Qwen-Audio 系列可以把英文方括号标签直接写在要合成的文本里，不需要额外参数。官方示例：

text

[excited]今天的天气真不错！[laughing]我们一起出去玩吧！
[serious]请注意安全事项。[excited]好了，现在让我们开始吧！

标签分两类，用法不一样，这一点很关键。

控制类标签：管“接下来怎么说”

控制类标签作用于后面的所有文本，直到遇到下一个控制类标签。所以一段话换情绪，只需要在切换处再写一个标签。

标签	效果	标签	效果
`[excited]`	兴奋	`[sad]`	悲伤
`[serious]`	严肃	`[angry]`	愤怒
`[curious]`	好奇	`[amazed]`	惊叹
`[empathetic]`	共情	`[tired]`	疲倦
`[bored]`	无聊	`[reluctantly]`	不情愿
`[sarcastic]`	讽刺	`[scornful]`	轻蔑
`[mischievously]`	调皮	`[panicked]`	惊慌
`[trembling]`	颤抖	`[crying]`	哭泣
`[whispers]`	低声耳语	`[asmr]`	ASMR 轻声
`[shouting]`	大喊	`[deep and loud shouting]`	深沉大声呐喊
`[very slowly]`	非常缓慢	`[very fast]`	非常快速
`[like dracula]`	吸血鬼语气

富语言类标签：在这个位置“发出一个声音”

富语言类标签只在当前位置插入一个拟声效果，不改变前后文本的风格：

标签	效果
`[gasp]`	倒吸一口气
`[sighing]`	叹气
`[clears throat]`	清嗓子
`[giggles]`	咯咯笑
`[laughing]`	大笑
`[cough]`	咳嗽
`[snorts]`	哼一声、嗤笑

这些标签支持 qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus 和 qwen-audio-3.0-tts-flash 四个模型。官方文档只列了这四个模型，CosyVoice、MiniMax 等同平台的其他模型请按各自的参数控制情绪。

三种常见视频旁白，标签这样配

1. 科普 / 知识类口播：开头抓注意力，正文平稳，结尾留个钩子。

text

[curious]你有没有想过，为什么 AI 配音总是听起来怪怪的？
[serious]问题主要出在两个地方：停顿和情绪。今天我们一个一个来看。
[mischievously]看完这期，你的视频可能就不用自己开口了。

2. 剧情短片 / 微短剧：情绪起伏大，配合拟声标签更像真人。

text

[tired]又加班到十一点。[sighing]算了，明天再说吧。
[gasp][panicked]等等，我的电脑怎么黑屏了？！
[reluctantly]……好吧，从头再来。

3. 睡前故事 / 白噪音类内容：全程轻声，语速放慢。

text

[asmr]窗外下着小雨，[very slowly]小狐狸把尾巴盖在身上，慢慢闭上了眼睛。

写标签时有几条经验可以参考：

一句一个情绪就够了。一句话里堆三四个控制类标签，切换太快反而不自然；
拟声标签少用。一段一分钟的旁白里，叹气、笑声各出现一两次就够，多了像在“演”；
标签写在句首或标点后，不要插在一个词中间；
标点照样重要。逗号、省略号、问号对停顿和语调的影响依然很大，标签不能代替标点；
视频里有多个角色时，不同角色用不同音色，不要指望靠标签让一个音色演两个人。

自然语言指令：和标签互补

除了标签，还可以在请求的 input 里加一个 instruction 参数，用一句大白话描述整体风格。系统音色、复刻音色和设计音色都支持。

json

{"instruction": "像深夜电台主持人一样，语速偏慢，声音温和，句尾稍微压低"}

两者分工大致是：

方式	作用范围	适合做什么
`instruction` 指令	整段文本	定基调：人设、语速、整体情绪、方言口音
控制类标签	从标签处到下一个标签	段落内换情绪
富语言类标签	当前位置	插入叹气、笑声、清嗓子等细节

官方建议指令的语种和文本语种保持一致：中文台词就用中文写指令。

动手：把一份分行台词批量合成

下面的脚本把 script.txt 里的台词每行合成一段音频，按顺序保存成 001.wav、002.wav……，方便直接拖进剪映对轨。只依赖 requests，API Key 从环境变量 DASHSCOPE_API_KEY 读取。

python

import os, pathlib, requests

KEY = os.environ["DASHSCOPE_API_KEY"]
# 把 YOUR_WORKSPACE_ID 换成你在阿里云百炼北京地域的业务空间 ID
URL = "https://YOUR_WORKSPACE_ID.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer"
H = {"Authorization": f"Bearer {KEY}", "Content-Type": "application/json"}

lines = [l.strip() for l in open("script.txt", encoding="utf-8") if l.strip()]
out = pathlib.Path("voice"); out.mkdir(exist_ok=True)

for i, text in enumerate(lines, 1):
    body = {
        "model": "qwen-audio-3.1-tts-plus",
        "input": {
            "text": text,                     # 情感标签直接写在台词里
            "voice": "longanhuan_v3.1",       # 换成音色列表里你选的音色
            "format": "wav",
            "sample_rate": 24000,
            "instruction": "知识区口播，语速适中，吐字清楚，语气亲切",
        },
    }
    r = requests.post(URL, headers=H, json=body, timeout=120)
    r.raise_for_status()
    audio_url = r.json()["output"]["audio"]["url"]
    (out / f"{i:03d}.wav").write_bytes(requests.get(audio_url, timeout=120).content)
    print(f"✓ {i:03d}  {text[:20]}")

几个要注意的地方：

返回的音频链接只有 24 小时有效，脚本里已经直接下载；过期了重新合成即可；
账号级限流是 180 次/分钟（RPM），几十行台词没问题，批量做有声书时记得加间隔；
音色名请以官方“Qwen-Audio-TTS 音色列表”为准，上面的 longanhuan_v3.1 只是文档示例里出现的音色；
需要边合成边播放（比如做实时预览）时，加请求头 X-DashScope-SSE: enable 走流式输出，返回的是 Base64 编码的音频片段。

想用自己的声音：复刻的要求

Qwen-Audio-TTS 支持用一小段录音复刻音色，官方对参考音频的要求如下：

项目	要求
时长	推荐 10～20 秒，最长不超过 60 秒
格式	WAV（16 bit）、MP3、M4A
大小	不超过 10 MB
采样率	不低于 16 kHz
内容	至少 5 秒连续清晰的朗读，其他停顿不超过 2 秒；不要背景音乐、环境噪声和其他人声；用正常说话的录音，不要用唱歌

创建音色时要指定 target_model，比如 qwen-audio-3.1-tts-plus。复刻出来的音色只能给这个模型用，换模型就要重新复刻。创建音色本身不收费，合成时按目标模型的价格计费；每个账号最多 1000 个自定义音色（和声音设计共用额度）。

录参考音频的小技巧：用手机录音即可，找一个安静、软装多的房间（卧室比客厅好），离手机一拳左右，用平时说话的语气读一段 15 秒左右的稿子。Plus 版虽然对噪声和混响更宽容，干净的录音依然是效果最好的捷径。

算一笔账：一条视频的配音多少钱

千问 AI 平台标注的 qwen-audio-3.1-tts-plus 原价是 1.4 元 / 万字符（不含优惠活动）。按阿里云的计费说明，汉字按 2 个字符计算，字母、数字、标点和空格按 1 个计算。

以一条 3 分钟左右的口播视频为例，旁白大约 900～1000 个汉字，加上标点，大约 2000 个计费字符，一次合成不到 3 毛钱。同一句不满意重新合成几遍，整条视频的配音成本也就一两块钱。

Flash 版按 token 计费，单价以控制台为准。做视频旁白，音质更重要，优先用 Plus；做实时互动的数字人或语音助手，再考虑 Flash。

用之前的提醒

复刻别人的声音要有授权。声音受《民法典》人格权保护，复刻同事、朋友、明星、主播的声音，没有书面授权就不要用，更不要用来发布或商用。详细的红线可以看《AI 配音与声音复刻：国产工具和授权红线》；
发布要标识 AI 生成。用 AI 配音的视频发到平台上，按《人工智能生成合成内容标识办法》在发布时勾选或注明 AI 生成，规则详见《发布 AI 视频、音乐、图片前必看》；
不要用拟真语音冒充真人。用 AI 声音冒充他人打电话、发语音，可能涉及诈骗，平台和法律都不允许；
以官方文档为准。标签列表、音色、价格都可能调整，本文信息截至 2026 年 11 月 11 日，正式用之前在百炼控制台或千问 AI 平台再核对一遍；
保管好 API Key。Key 放环境变量，不要写进脚本上传到网上。

参考来源

AI 生成内容信息整理截至 2026-11-11。本文由 AI 辅助生成，内容依据公开资料整理，仅供学习交流；平台功能与价格变化较快，请以官方最新信息为准。