用 Qwen-Audio-3.1-TTS-Next 做播客配音：一次生成人声、音效与环境声的完整流程

先搞清楚它能做什么

千问在 9 月 23 日发布 Qwen-Audio-3.1 系列音频大模型，其中 qwen-audio-3.1-tts-next 是面向音频创作的那一款。它与常规 TTS 的差别在于输出维度：传统 TTS 只输出人声，TTS-Next 接受带场景指令的脚本，一次性生成人声、动作音效、环境声与背景音乐的完整成品，并且能控制各声音元素的先后顺序。官方给出的边界是：支持中文与英文，输入上限 3000 字符，单次输出最长 240 秒（播客场景），其他场景最长 120 秒；按生成音频的原始时长计费，调整语速不改变计费时长。

四步跑通一次调用

第一步准备凭据：开通阿里云百炼后获取 API Key 与业务空间 ID，分别配置为环境变量 DASHSCOPE_API_KEY 和 SFM_WORKSPACE_ID。第二步写提示词：把台词用引号标出并注明说话人，人物音色、表达方式、背景与音效分开描述，例如写明角色为低沉男声、语速缓慢、窗外有雨声。第三步发起请求，端点是 https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer，请求头带 Bearer 鉴权，请求体给出 model 为 qwen-audio-3.1-tts-next，以及 text_prompt、format、sample_rate、channels 等字段。

如果需要固定音色，可以先用参考音频：上传可公开访问的音频 URL 或音频 Base64，在提示词中用 @voice1、@voice2、@voice3 按顺序引用。单次最多接收 3 条参考音频，每条不超过 30 秒与 10MB，支持 WAV、MP3、OGG Opus，不支持裸 PCM。URL 方式要求服务端能访问该地址。

第四步取结果，以及容易踩的三个点

请求返回后，从响应的 output.audio.url 下载生成的音频文件，该链接有效期为 24 小时，建议落盘保存而不是长期依赖链接。实操中有三个细节容易出错：一是人物称呼要全程保持一致，同一人物的音色与情绪指令互相冲突会直接破坏效果，建议先定核心台词再补风格描述；二是参考音频的 URL 与 Base64 只能二选一，混用会报错；三是声音变化要靠描述先后顺序来表达，比如脚步声渐近之后角色才开口，顺序写反了听感就是错的。

从成本角度看，这个系列刚做过一轮降价：TTS 下调约 70%，Realtime 下调约 85%，ASR 最高下调 95%，对批量生产播客、有声书和短剧配音的场景来说，试错成本已经明显低于人工录音。真正需要自己调的是提示词结构，那部分官方文档只给了写法示例，剩下的手感要靠实跑积累。