企业官网建设流程全解析

Spring AI Alibaba 语音模型实战（TTS + STT）

用 Spring AI Alibaba 接入百炼：文字转语音（TTS）与语音转文字（STT）。

版本

• Spring Boot：3.4.5
• spring-ai-alibaba-starter-dashscope：1.1.2.1（修复call()只返回部分音频的问题）
• Java：17

Spring-ai更新速度快,请以官方为准
可参考网址:

• Spring-ai官网
• Spring-ai阿里巴巴
• 阿里百炼模型广场
• 开发者指南(API/SDK)

一、依赖引入

<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>com.alibaba.cloud.ai</groupId><artifactId>spring-ai-alibaba-starter-dashscope</artifactId><!-- 1.1.2.1：TTS call() 能拿完整音频 --><version>1.1.2.1</version></dependency><dependency><groupId>com.alibaba</groupId><artifactId>dashscope-sdk-java</artifactId><version>2.22.18</version></dependency>

二、yml 配置

spring:application:name:spring-audio-demoai:dashscope:api-key:${DASHSCOPE_API_KEY}audio:synthesis:options:# 默认音色配置；接口里也可按需覆盖 model / voicemodel:cosyvoice-v1voice:longhua

说明：CosyVoice 的model 与 voice 必须成套。例如代码里用cosyvoice-v3-flash时，音色要用longdaiyu_v3这类 v3 音色，否则可能 418。

三、代码案例：TTS（文字 → 音频）

@RestController@RequestMapping("/ai/tts")publicclassTTSAudioController{/** 相对运行目录的 audio/；IDE 从父工程启动时可能落在 spring-ai-second/audio */privatestaticfinalPathAUDIO_DIR=Paths.get("audio");privatestaticfinalStringDEFAULT_TEXT="哟,我来的不巧了,早知她来,我就不来了.";/** 注入 DashScope 语音合成模型（Bean 名：dashScopeSpeechSynthesisModel） */privatefinalTextToSpeechModeltextToSpeechModel;publicTTSAudioController(@Qualifier("dashScopeSpeechSynthesisModel")TextToSpeechModeltextToSpeechModel){this.textToSpeechModel=textToSpeechModel;}/** * GET /ai/tts/speak?text=你好 * 流程：拼 Options → Prompt → call() → 落盘 → 返回 mp3 字节 */@GetMapping(value="/speak",produces="audio/mpeg")publicbyte[]speak(@RequestParam(defaultValue=DEFAULT_TEXT)Stringtext){// 1）合成参数：模型、音色、格式、采样率等DashScopeAudioSpeechOptionsoptions=DashScopeAudioSpeechOptions.builder().model("cosyvoice-v3-flash")// 合成模型.voice("longdaiyu_v3")// 必须与模型版本匹配.responseFormat(DashScopeAudioSpeechApi.ResponseFormat.MP3).sampleRate(22050)// 采样率.volume(50)// 音量 0~100.speed(1.0)// 语速.build();// 2）文本 + 参数 → PromptTextToSpeechPromptprompt=newTextToSpeechPrompt(text,options);// 3）同步合成，拿到音频字节TextToSpeechResponseresponse=textToSpeechModel.call(prompt);byte[]audio=response.getResult().getOutput();// 4）先存本地，再读回（学习「生成 → 落盘 → 再读」）Stringfilename="tts-"+UUID.randomUUID()+".mp3";saveToFolder(audio,filename);returnreadFromFolder(filename);}privatevoidsaveToFolder(byte[]data,Stringfilename){try{Files.createDirectories(AUDIO_DIR);Files.write(AUDIO_DIR.resolve(filename),data);}catch(IOExceptione){e.printStackTrace();}}privatebyte[]readFromFolder(Stringfilename){try{returnFiles.readAllBytes(AUDIO_DIR.resolve(filename));}catch(IOExceptione){e.printStackTrace();returnnewbyte[0];}}}

浏览器直接访问/ai/tts/speak，即可播放返回的 MP3。

四、代码案例：STT（音频 → 文字）

1. 公网 URL + 同步call()（录音文件识别）

@RestController@RequestMapping("/ai/stt")publicclassController{/** * call() 走「录音文件识别」：云端自己下载音频，所以必须是公网 URL。 * 本地文件 / MultipartFile 对云端不可见，要用 stream()（见下方 upload）。 */privatestaticfinalStringDEMO_AUDIO_URL="https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav";privatefinalDashScopeAudioTranscriptionModeltranscriptionModel;publicController(DashScopeAudioTranscriptionModeltranscriptionModel){this.transcriptionModel=transcriptionModel;}/** * GET /ai/stt/basic * 流程：Options → UrlResource → Prompt → call() → 文本 */@GetMapping(value="/basic",produces="text/html;charset=UTF-8")publicStringbasic(@RequestParam(defaultValue=DEMO_AUDIO_URL)Stringurl)throwsMalformedURLException{DashScopeAudioTranscriptionOptionsoptions=DashScopeAudioTranscriptionOptions.builder()// 录音文件识别模型（非实时）.model(DashScopeModel.AudioModel.PARAFORMER_V2.getValue()).languageHints(List.of("zh","en")).build();// 告诉框架：音频在这个网络地址UrlResourceaudioResource=newUrlResource(url);AudioTranscriptionPromptprompt=newAudioTranscriptionPrompt(audioResource,options);// 同步调用：提交任务并等待（内部会轮询；日志里出现 pending 属正常）AudioTranscriptionResponseresponse=transcriptionModel.call(prompt);Stringtext=response.getResult().getOutput();return"识别结果: "+text;}}

2. 本地上传：用stream()

上传文件时云端拿不到你本机路径，应走实时流：

/** * POST /ai/stt/upload ，form-data 字段名 file * sampleRate 必须与文件真实采样率一致（本项目 TTS 的 mp3 常用 22050） */@PostMapping(value="/upload",produces="text/html;charset=UTF-8")publicStringupload(@RequestParam("file")MultipartFilefile,@RequestParam(defaultValue="22050")IntegersampleRate)throwsIOException{DashScopeAudioTranscriptionOptionsoptions=DashScopeAudioTranscriptionOptions.builder().model(DashScopeModel.AudioModel.PARAFORMER_REALTIME_V2.getValue()).sampleRate(sampleRate).format(DashScopeAudioTranscriptionApi.AudioFormat.MP3)// 按实际后缀选择.languageHints(List.of("zh","en")).build();ResourceaudioResource=newByteArrayResource(file.getBytes()){@OverridepublicStringgetFilename(){returnfile.getOriginalFilename();}};AudioTranscriptionPromptprompt=newAudioTranscriptionPrompt(audioResource,options);// 实时流每帧常是「整句修订版」，取最后一帧即可，不要把所有帧 join 起来Stringtext=transcriptionModel.stream(prompt).map(r->r.getResult()==null?"":r.getResult().getOutput()).filter(t->t!=null&&!t.isBlank()).last("").block();return"识别结果: "+text;}