Qwen3 Tts Instruct Flash Realtime

让同一段话呈现不同的表达

Qwen3 TTS Instruct Flash Realtime 将给定文字合成为语音，并允许通过自然语言指令调整表达方式。可以选择支持的音色，再说明希望使用怎样的情绪、节奏和重音，适合客服播报、广告介绍、互动角色和讲解旁白。

它处理的是朗读表现。问答内容、事实核对和文案改写应先完成，再将确定的正文送入合成。把“温和但不拖沓”“重点强调最后一句”等要求放在独立的 instructions 中，正文只保留需要读出的内容，避免将表演要求一起读出来。

指令怎样写更容易比较？

先固定音色和正文，每轮只调整一两个方面，例如语速与句末停顿。指令支持中文或英文，避免同时要求“非常快”与“每字都慢读”这类冲突。可使用 optimize_instructions 优化指令表达，再通过试听比较是否符合实际需要。

实时合成怎样衔接文本？

通过 WebSocket 配置会话后，可以持续提交文本并接收音频。server_commit 由服务端决定合成时机；commit 由客户端手动提交，需要自行保证句子完整。长内容按语义分段，避免把数字、姓名或一句话切在不自然的位置。结束输入后继续接收剩余音频，确认最后一句没有被截断。

计费

北京地域基准价为 1 元 / 万计费字符，输出音频不另收费，按供应商返回的计费字符数结算。字符数不同于文本长度或 Token 数：汉字通常计 2 个字符，SSML 标签不计入。

系统内部价格以美元保存，按 1 美元 = 6.8 元换算；最终费用应用账户分组倍率。供应商账号免费额度和活动优惠不计入该基准价。

先选择支持的音色，例如 Cherry，并在会话配置中分别设置指令和朗读正文。

指令：“像讲解员一样自然清晰，中等语速；开头亲切，最后一句略放慢，不使用夸张的广告腔。” 正文：“欢迎来到夜间观星活动。请先关闭强光手电，给眼睛一点适应黑暗的时间。准备好以后，我们一起寻找北极星。”

用 session.update 设置音色、音频格式与 instructions，通过文本缓冲事件追加正文。首次可用 server_commit，持续接收音频并在输入结束时正常结束会话。试听专有名词、停顿和最后一句，再调整指令；不要把声音风格指令当作创建新音色或声音复刻。