Si CosyVoice 3 Flash no expresa la emoción esperada, comprueba primero que la voz elegida admita Instruct. Después revisa el idioma del texto, el formato de la instrucción y la configuración. Que el campo sea aceptado no significa que todas las voces puedan aplicar esa instrucción.
CosyVoice 3 Flash: voz, idioma e instrucciones: Diagrama del proceso, no un resultado probado del modelo
Empieza con la voz exacta
La lista oficial de voces, actualizada el 8 de octubre de 2026, detalla por voz los idiomas y la compatibilidad con Instruct, SSML y marcas de tiempo.
Por ejemplo, longanyang admite Instruct con un formato definido, mientras que longanlang_v3 aparece sin soporte para Instruct. El soporte de síntesis de voz por sí solo no implica los mismos controles de emociones.
Comprueba la entrada del modelo y del identificador de voz exactos, en lugar de usar una voz con nombre parecido de otra versión.
Identifique la capa que falla con una breve comparación
Sintetiza dos frases sin instrucción como referencia. Mantén la voz y el texto y añade una sola emoción compatible. Es un método de diagnóstico, no una tasa de resolución medida.
Síntoma: Tarea correcta, emoción poco perceptible · Primera comprobación: Compatibilidad de esa voz con Instruct · Siguiente acción: Comparar con una voz compatible usando el mismo texto
Síntoma: Pronunciación o acento incorrectos · Primera comprobación: Idiomas que admite la voz elegida · Siguiente acción: Comprueba la lectura normal antes de añadir emoción
Síntoma: Solicitud rechazada · Primera comprobación: Modo, voice / voice_id, longitud de instruction y campos obligatorios · Siguiente acción: Guarda el ID de la tarea y el error; corrige la entrada según la documentación
Síntoma: Voz clonada no disponible · Primera comprobación: Estado de creación, vinculación con modelo/usuario y región del servicio · Siguiente acción: Comprueba la restricción de esa función antes de concluir que existe un bloqueo por país
Síntoma: Fallo de acceso en una red o en un país · Primera comprobación: Error de red, autenticación o permisos · Siguiente acción: Conectividad de plataforma separada de los recursos de la región del proveedor
Para longanyang, la línea de formato oficial usa un punto chino mientras que su línea de ejemplo usa un punto ASCII. La siguiente solicitud sigue la línea de formato y no se ha ejecutado. Si su ruta especifica un requisito más exacto, utilícela en una breve prueba antes de cualquier lote. No trate este ejemplo como una receta de producción verificada.
Separar el lenguaje hablado del lenguaje de instrucción
El texto debe utilizar un idioma que admita la voz. La instrucción de control puede tener un requisito diferente: la documentación de longanyang requiere instrucciones en chino incluso cuando se sintetiza texto en inglés.
Un ejemplo de cuerpo de solicitud APIXO no enviado es:
{
"request_type": "async",
"input": {
"mode": "speech",
"voice": "longanyang",
"prompt": "Welcome. We are glad you are here.",
"instruction": "你说话的情感是happy。",
"format": "mp3"
}
}
Conserva la cadena de control en chino. El formato oficial usa un punto chino, mientras que los ejemplos muestran un punto ASCII. Sigue los requisitos de esa voz y compruébalos con una muestra breve; este cuerpo de solicitud no se ha ejecutado y no garantiza un resultado.
Los Docs CosyVoice de APIXO limitan la instrucción a 100 caracteres. Prueba una emoción antes de añadir indicaciones de papel, situación e idioma.
SSML es una capacidad separada
Una voz puede admitir SSML sin admitir Instruct. Confirme cada capacidad por separado antes de combinarlas.
Usa dos frases sin instrucciones como referencia y repite el mismo texto y la misma voz con una instrucción. Que el resultado suene igual no basta para diagnosticar una restricción por país.
Qué significan los límites de la región de implementación
La documentación de región de Alibaba Cloud describe los puntos de acceso, la implementación y la configuración de recursos. Beijing y Singapur requieren la configuración de servicio adecuada.
Las tablas oficiales actuales enumeran una implementación internacional en Singapur para V3 Flash, y longanyang aparece tanto en Beijing como en Singapur. La documentación revisada no respalda una conclusión general de que los usuarios fuera de China no puedan utilizar el modelo a través de una API. Esto no es una promesa de que todas las cuentas, países o redes tengan acceso sin restricciones.
Las características específicas difieren: la guía de clonación de voz establece que Singapore V3 Flash no admite la síntesis con voces clonadas. Esa restricción de funciones es diferente de la disponibilidad de voz preestablecida. La tabla de implementación oficial es una referencia del proveedor, no el precio de APIXO.
Diagnostica APIXO usando su propio contrato
Usa la interfaz y la configuración de APIXO. Los Docs describen speech, clone y design, con voces predefinidas o un voice_id creado para sintetizar. No se ha verificado la región del servicio que usa APIXO; no atribuyas automáticamente una región Alibaba ni sus restricciones a la plataforma.
Comprueba la voz, el idioma del texto, la longitud de la instrucción y si la voz personalizada está lista. Si falla la tarea, guarda su ID, el código de error y los parámetros. Para esta guía no se realizaron pruebas de API desde distintos países.
Empieza con una voz que admita Instruct, un idioma de lectura compatible y una instrucción adecuada para esa voz. Compara con la lectura sin instrucciones y revisa después la configuración o el enrutamiento si hace falta. Consulta APIXO Pricing para los costes de la plataforma.
Tarifas de uso API; créditos mensuales de Studio aparte.
Desarrolla con APIXO
Explora modelos de imagen, vídeo y audio en un solo lugar.
