能不能生成不同情绪的人声，不是看模型名里有没有“情绪”两个字，而是看两个条件：模型权重本身是否经过情绪控制训练，以及推理时是否能把情绪信息传入合成器。如果只是把文本扔进去，很多模型只输出中性朗读；只有输入端支持情绪标签、参考音频或自然语言风格描述，输出才可能产生可感知的情绪差异。通常建议先按“基线-带情绪-带参考”三组对比测试，再判断该版本是否满足需求。
能否生成不同情绪，取决于模型版本和调用方式。先核对模型卡是否包含TTS和情绪控制字段；再用情绪标签、参考音频、提示词三种方式分别测试并对比输出。若情绪参数被忽略，说明当前推理链路未开放情绪控制，需要改用支持情感风格的模型或在后端扩展条件生成。一切以实际合成结果为准。
一、先确定模型名与实际能力范围
“Qwen-Audio”系列早期以音频理解为主，后来才逐渐扩展生成能力。如果你手头模型叫“Qwen-Audio-3.0-TTS”，建议先打开模型仓库里的README或推理脚本，确认它是否真有一个TTS解码器，以及输入参数列表里是否有“emotion”“style”“reference_audio”等字段。这一步不是形式主义：很多社区合并包会把不同模块打包在一起，但情绪控制往往依赖特定的预训练权重和前置特征，缺一个就失效。
二、用最小的三组对比测试验证情绪控制
不要先用长文本，先用一句话。准备同一句话，分别用三种方式合成：
- 基线：只传文本；
- 带情绪标签：在请求里加emotion字段，值为“高兴”“生气”等；
- 带参考音频：如果接口支持，提供一段目标情绪的人声片段。
下面是一个通用请求骨架，可以用它快速跑通“基线-情绪标签-参考音频”三组对比：
import requests
url = 'http://127.0.0.1:8080/tts'
text = '好，就这样定下来，明天出发。'
cases = {
'baseline': {'text': text},
'emotion_label': {'text': text, 'emotion': '兴奋'},
'reference_audio': {'text': text, 'reference_audio': 'excited.wav'},
}
for name, payload in cases.items():
r = requests.post(url, json=payload, timeout=60)
if r.status_code == 200:
with open(name + '.wav', 'wb') as f:
f.write(r.content)
else:
print(name, 'failed:', r.status_code)执行后，先注意三个文件听感差异。如果emotion_label和baseline几乎一样，说明推理脚本或模型权重没有消费这个参数；如果reference_audio有变化但没有体现目标情绪，则可能模型对参考音频的提取能力有限。
三、情绪控制方式的边界与可验证信号
常见的情绪控制方式有三种，它们的适用场景和风险边界不同，可以对照下表判断：
| 控制方式 | 适用场景 | 验证方式 | 风险边界 |
|---|---|---|---|
| 情绪标签（emotion） | 快速集成，情绪种类固定 | 对比是否带标签的输出，听感差异是否明显 | 标签集有限，可能只改变语速或音量，不代表真正情感 |
| 参考音频 | 模仿特定说话人的情绪风格 | 分别用平静和生气音频参考，看合成结果的情绪是否跟随 | 需要额外音频，音频质量直接影响结果，存在版权和隐私限制 |
| 自然语言风格描述（prompt） | 需要细粒度控制 | 在文本旁写“低声说，带着无奈的叹气”，观察输出 | 模型对“情绪”的理解依赖语义训练，可能把描述读出来，而不是表达情绪 |
验证时除了主观听感，还可以用音频分析工具提取基频（F0）和语速。情绪变化通常会带动基频均值或波动范围变化。但不要单凭波形图下结论，最终要回到人耳判断。
四、如果情绪参数无效，下一步怎么做
如果测试发现emotion字段被忽略，可能原因有三类：推理代码没解析该字段；模型权重本身不支持情绪控制；服务端在返回前做了统一后处理。建议依次排查：先打印请求日志，确认参数是否到达合成后端；再查看模型前向代码里是否调用该参数；最后看服务是否对音频做了归一化或重采样。
如果确认当前模型不支持，可以考虑两条路：一是改用明确支持情感控制的TTS模型；二是在合成后端做条件生成扩展，例如把情绪向量拼接到模型输入中，但这一步需要改动训练和推理流程，成本较高。
常见问题
Qwen-Audio和Qwen-Audio-3.0-TTS是一回事吗？
Qwen-Audio早期版本是音频理解模型，能听懂声音但不直接产出语音。TTS能力通常由专门的语音合成模型或扩展版本提供。建议以你拿到的模型权重和推理脚本为准，不要只看名字。
情绪控制参数在API里一般叫什么？
不同服务有不同写法，常见的是“emotion”“style”“style_id”“reference_audio”“prompt”。具体要看接口文档或模型代码里的入参定义。
怎么判断一次合成真的带上了情绪？
先用同一句话做基线，再带情绪合成，间隔听；如果两段明显不同，说明控制路径生效。情绪是否准确，至少要找三个人盲听，不能只看波形。