U2-TTS

U2-TTS是云知声自研的语音合成大模型，在保证读音准确的基础上，进一步承载语气、情绪与副语言细节的表达。模型同时提供低延迟流式合成与长文本异步合成两种接入形态；发音语种、方言与音色风格通过参数组合指定，音频输出格式与采样率可按业务需要配置。模型适用于播报、朗读、交互式语音回复与数字人等语音输出场景。

核心亮点

  • 低延迟流式合成
    采用流式生成架构，在低并发场景下首包延迟可压缩至 90ms 以内，适用于智能助手、实时语音回复、数字人等对响应时延敏感的场景。同时支持长文本异步合成，兼顾实时交互与批量内容生产需求。
  • 拟人化表达与细节还原
    在准确发音基础上，进一步还原语气、情绪以及呼吸、笑声等副语言表达细节，使合成语音更接近自然人声。适用于有声内容、角色配音、智能交互等对声音表现力要求较高的场景。
  • 多语种与方言发音
    支持中文、英语、日语、韩语、泰语、越南语等 12 种语言，以及粤语、四川话等方言，可在统一接口下完成多语言和方言语音合成，满足多语种内容播报、本地化及跨语言业务需求。
  • 自定义发音与断句控制
    支持通过标注方式控制数字串、电话号码、专有名词、英文逐字母播报等特殊发音，并可灵活设置停顿与断句位置，提升专业术语、行业表达及长文本合成的准确性和自然度。

关键信息

项目参数
模型 IDu2-tts
输入模态文本
输出模态音频
支持语言12种国际语言及多种方言

应用场景

  • 内容生产与配音
    面向短视频、影视解说、有声内容、广告营销等场景，支持长文本异步合成，可一次提交较长内容并生成完整音频，降低持续录制与人工配音成本。
  • 客服与语音外呼
    面向智能客服、通知播报、语音外呼等场景，流式合成可用于实时语音回复，非流式合成可用于批量生成通知、提醒及营销类音频。
  • 数字人与虚拟助手
    面向数字人、虚拟形象及 AI 助手等需要持续语音输出的场景，结合自然语气、情绪表达及低延迟合成能力，提升虚拟角色的表达自然度和交互体验。
  • 实时语音交互
    面向语音助手、实时问答等连续交互场景，低延迟流式合成可减少用户等待时间，并结合自定义发音和断句控制，使回复更加自然、准确。