64个音色、¥1/万字符、语音输出贵5倍：TTS/ASR/Omni四层链路的参数细节与两个真实报错

问题定义

一个内容生产项目里有三类语音需求：文案转配音、录音转带说话人标签的文字稿、以及"图片进去、语音出来"的交互 demo。

各找一套工具就是三套 SDK、三份密钥、三种错误码，中间还要自己写胶水代码搬文件。我把三类需求收敛到同一个 CLI（bl，npm 包名 bailian-cli，1.22.0）上跑了一遍，这篇记录分层结构、参数细节、计费口径，以及两个我真实撞到的报错和它们的工程含义。

命令签名以 bl <group> <command> --help 输出为准，价格以 bl model list 的实时返回为准，音色清单以 --list-voices 实测输出为准。

分层：四个位置，三种计价单位

层	命令入口	默认模型	计价单位	鉴权
合成层 TTS	bl speech synthesize	profile 配置的 TTS 模型，未配置则 cosyvoice-v3-flash	每万字符	API Key
识别层 ASR	bl speech recognize	profile 配置的 ASR 模型，未配置则 fun-asr	每秒	API Key
交互层 Omni	bl omni	qwen3.5-omni-plus	每百万 token	API Key
编排层 Pipeline	bl pipeline run / validate	无	自身不计费	No Auth

安装与鉴权：

npm install -g bailian-cli
bl skill init
bl auth login --api-key sk-xxxxx
bl auth status

Node 版本要求 18.17 以上。不走 npm 的话，macOS/Linux 有安装脚本 curl -fsSL https://bailian.aliyun.com/cli/install.sh | bash，Windows PowerShell 用 irm https://bailian.aliyun.com/cli/install.ps1 | iex。安装说明在 CLI 页面。

bl auth status 会打印当前 profile、配置文件路径和凭证类型。后面两个报错都跟 profile 里的默认值有关，这一步值得先看一眼。

合成层：音色是模型级资源，不是全局资源

参数矩阵

来自 bl speech synthesize --help：

参数	取值	默认	说明
--text / --text-file	字符串 / 路径	二选一	长文本走文件
--model	模型 ID	profile 配置，否则 cosyvoice-v3-flash	帮助原文：System voices vary by model
--voice	音色 ID	无	v3-flash 用内置音色；v3.5-flash 需 clone/design 音色 ID
--list-voices	开关	关	列出所选模型的内置音色后退出
--format	mp3/pcm/wav/opus	mp3（流式默认 pcm）	输出格式
--sample-rate	如 24000	模型默认	采样率，改了这个流式播放参数要跟着改
--volume	0-100	50	音量
--rate	0.5-2.0	1.0	语速
--pitch	0.5-2.0	1.0	音调
--seed	0-65535	无	固定种子，同输入同输出
--language	zh/en/ja/ko/fr/de	无	语言提示
--instruction	自然语言	无	风格指令
--enable-ssml	开关	关	SSML 解析
--out	路径	临时目录自动生成	落盘位置
--stream	开关	关	裸 PCM 到 stdout
--concurrent	N	1	并行请求数

音色清单实测

bl speech synthesize --list-voices --model cosyvoice-v3-flash

输出末尾 Total: 64 voices，四列：VOICE ID / NAME / DESCRIPTION / LANGUAGE。分组统计：

分组	数量	备注
中文/英文	36	含童声 4（longhuhu_v3/longpaopao_v3/longshanshan_v3/longniuniu_v3）、台式 1（longantai_v3）
粤语	3	longjiaxin_v3/longjiayi_v3/longanyue_v3
方言	3	longlaotie_v3 东北、longshange_v3 陕西、longanmin_v3 闽南
美式英语	10	loongabby_v3 起
英式英语	4	loongemily_v3/loongeric_v3/loongluna_v3/loongluca_v3
日语	5	含 loongriko_v3（Riko，二次元霓虹女）
韩语	2	loongkyong_v3/loongjihun_v3
印尼语	1	loongindah_v3

命名规律有一个例外：longanyang 不带 _v3 后缀，其余中文音色基本都带。按规律补后缀会得到一个不存在的 ID。

方言音色是这套清单里工程价值最高的部分。区域性内容（地方文旅、农机、方言短剧）不需要额外训练或找外包，直接换 ID。

报错 1：411，默认值是隐藏状态

bl speech synthesize --text "测试" --voice longcheng_v3 --out t1.mp3

[Model: qwen-audio-3.0-tts-plus] [Voice: longcheng_v3]

Error:       [cosyvoice:]Engine error [411]: TTS speak operation failed
Status:      HTTP 400 (InvalidParameter)
Exit code:   1

longcheng_v3 是 cosyvoice 系音色，而请求实际发给了 qwen-audio-3.0-tts-plus。bl config show 里能看到 profile 配了 default_speech_model: qwen-audio-3.0-tts-plus，它接管了 --model 的默认值。换四个音色名重试都是 411，说明不是单个 ID 的问题。

工程结论有两条。第一，--model 的默认值来自本地配置而不是命令本身，这类"配置驱动的默认值"在脚本里等于隐藏状态，CI 环境和开发机可能给出不同结果，所以我在脚本里固定显式声明：

bl speech synthesize --model cosyvoice-v3-flash --text "测试" --voice longcheng_v3 --dry-run

第二，一次性修掉的办法是改配置，default_*_model 是 bl config set --help 列出的合法 key：

bl config set --key default_speech_model --value cosyvoice-v3-flash

--dry-run 是全局 flag，打印请求体但不发起调用，排查这类问题零成本：

request:
  model: qwen-audio-3.0-tts-plus
  input:
    text: 测试
    voice: longcheng_v3
    format: mp3

流式输出：一条管道省掉临时存储

bl speech synthesize --model cosyvoice-v3-flash --text "Hello" --voice loongabby_v3 --language en --stream | ffplay -nodisp -autoexit -f s16le -ar 24000 -ac 1 -

macOS 上管道接 afplay - 即可。--stream 输出裸 PCM，不落盘，两个用途：批量试听音色不留垃圾文件；生产环境里直接接 WebSocket 推给前端，链路上不需要临时对象存储，也就没有清理和鉴权问题。注意 -f s16le -ar 24000 -ac 1 要和实际采样率对齐，改了 --sample-rate 这里要跟着改。

批量生产

bl speech synthesize --model cosyvoice-v3-flash --text-file chapter-01.txt --voice longcheng_v3 --rate 0.9 --seed 42 --concurrent 4 --out chapter-01.mp3

--seed（0-65535）让同一份输入产出同一条音频，批量任务里某一条不满意可以只重跑那一条，不会连带改变其他条目。--concurrent 控制并行度，跑之前先看限流：

bl quota list
bl quota check

--rate 默认 1.0，长文稿我压到 0.9，口播信息密度高时默认语速听感偏赶。--instruction 收自然语言，同一段描述在不同音色上的表现不一致，只能靠试听确认，目前没有稳定写法。

识别层：说话人分离依赖异步模型

报错 2：本地前置校验拦下了不支持的组合

bl speech recognize --url meeting.wav --diarization --speaker-count 2 --out result.json

Error:       Model "qwen-audio-3.0-asr-flash" uses sync Flash ASR and does not support: --diarization, --speaker-count.
Hint:        Use an async filetrans model (e.g. fun-asr, qwen3-asr-flash-filetrans) for those flags.
Exit code:   2

请求没发出去，本地校验就拦了，0.355 秒返回。说话人分离必须走异步 filetrans 模型，同步 Flash ASR 不支持。补上 --model fun-asr：

bl speech recognize --model fun-asr --url meeting.wav --diarization --speaker-count 2 --out result.json

这个报错的设计值得学：能力约束在客户端前置校验，Hint 直接给出可用模型名，不消耗一次网络往返也不产生计费。

识别层参数

参数	说明
--url	音频 URL 或本地路径，可重复，单次上限 100 个
--model	异步：fun-asr / *-filetrans / paraformer-*；同步：qwen3-asr-flash* / fun-asr-flash* / qwen-audio-*-asr-flash
--diarization	说话人分离
--speaker-count	预期人数，依赖 --diarization
--vocabulary-id	热词表 ID，专有名词场景用
--language	语言提示
--channel-id	声道，默认 0
--out	完整结果写 JSON
--async	只返回任务 ID 不等待
--poll-interval	轮询间隔，默认 2 秒

本地文件不便公开托管时先推临时存储（48 小时有效）：

bl file upload ./local-audio.wav

fun-asr 计价 ¥0.00022/秒，折一小时 ¥0.792。同族 fun-asr-mtl 与几个日期快照版本价格一致。实测 QPM 限流是 count_limit: 10 / period: 1，批量转写的吞吐按这个数排。

架构上的取舍要说清楚：异步 filetrans 是任务制的，实时字幕这类低时延需求不对口，同步 Flash ASR 才是那条路，但同步侧没有说话人分离。两个能力目前不在同一个模型上。

交互层：一次调用去掉一层胶水

bl omni --message "user:这张封面图上最抢眼的是什么？一句话回答。" --image cover.jpg --voice Tina --audio-out reply.wav

自己拼是两次调用加中间处理：视觉模型出文本，文本喂 TTS，还要处理格式、采样率、音色映射。这里一次完成。

参数侧：--message 可重复并用 role: 前缀组织多轮，--system 设角色，--image 可重复传多张，--audio 支持 wav/mp3/amr/aac/m4a/ogg/3gp/3gpp，--video 收视频文件或逗号分隔的抽帧 URL，--audio-format 默认 wav，--max-tokens 与 --temperature 常规语义。

音色是独立的一套，13 个：

bl omni --list-voices

Tina（甜妹，默认）、Dylan（北京-晓东）、Kiki（粤语-阿清）、Li（南京-老李）、Sunny（四川-晴儿）、Marcus（陕西-秦川）、Eric（四川-程川）、Rocky（粤语-阿强）、Jennifer（詹妮弗）、Ryan（甜茶）、Katerina（卡捷琳娜）、Peter（天津-李彼得）、Ethan（晨煦）。和 cosyvoice 那 64 个不通用，ID 首字母大写。做区域化语音交互可以按地区切音色，--help 自带方言示例：

bl omni --message "Answer in Sichuan dialect: How's the weather today?" --voice Sunny

模型自述能力：超过 10 小时的音频理解、400 秒的 720P 音视频（1 FPS）理解与对话、60 多种语言音频输入、30 多种语言语音输出，上下文 262144，最大输出 65536，features 含 web-search / function-calling / batch。

计费与 --text-only 的成本杠杆

计费项	标准价（每百万 token）	Batch File
输入：文本/图片/视频	¥7	¥3.5
输入：音频	¥53	¥26.5
输出：纯文本	¥40	¥20
输出：文本+音频	¥213（输出的文本不再单独计费）	同左

音频输出比纯文本输出贵 5.3 倍。开发期把 --text-only 当默认，逻辑调通再摘掉它去要音频；离线批量走 Batch File 是半价。

bl omni --message "user:这段视频讲了什么？按时间顺序说三件事。" --video demo.mp4 --text-only

编排层：把三层连起来

工作流是一个 YAML：

version: workflow/v1
steps:
  - id: script
    type: text/chat
    input:
      message: "{{topic}}"
      system: "你是短视频口播文案作者。只输出口播稿正文，120字以内，不要标题，不要解释。"
  - id: voiceover
    type: speech/synthesize
    input:
      text: "{{steps.script.output}}"
      model: cosyvoice-v3-flash
      voice: longcheng_v3
      rate: 0.95
      out: voiceover.mp3

{{topic}} 由运行时输入提供，{{steps.<id>.output}} 取上游步骤 output 的 data 值。步骤类型 11 种：text/chat、vision/describe、image/generate、image/edit、video/generate、speech/synthesize、speech/recognize、script/js、logic/switch、logic/select、logic/assert。

validate 只接受 --file，位置参数会报 Unexpected argument：

bl pipeline validate --file voice-workflow.yaml

通过返回 Pipeline definition is valid.。执行前先看计划，不调模型：

bl pipeline run --file voice-workflow.yaml --input '{"topic":"本地语音克隆工具的中文短板"}' --dry-run

Pipeline planned [~]

  [~] script (text/chat) — planned
  [~] voiceover (speech/synthesize) — planned

生产参数：--input-file 从 JSON 文件读输入，--concurrency 控制并行步骤数（默认 1），--events jsonl 输出生命周期事件便于接日志与告警，--step-timeout 给单步设超时，--output json 让结果可被下游解析。

两个 schema 约束我实测过，写流程前先知道：

script/js 的 code 必须是字面字符串，校验器明确拒绝从上游步骤取代码，报错理由是"code sourced from another step ($from) or an expression is not allowed, since it would execute untrusted text as host code"。沙箱里 input / steps / params 都是 undefined，code 字符串里的 {{text}} 也不会被插值。想做数据加工就别指望它。

logic/assert 的字段是 condition（表达式字符串），支持 {{steps.X.output}} 插值，实测 condition: "{{steps.s1.output}} == 2" 能通过；写成 that/op/value 会报 condition is required。分支判断走 logic/assert 或 logic/switch。

成本模型

价格取自 bl model list --model <模型> --output json 的 prices 字段：

模型	单价	200 字口播	12 万字
cosyvoice-v3.5-flash	¥0.8/万字符	¥0.016	¥9.6
cosyvoice-v3-flash	¥1/万字符	¥0.02	¥12
cosyvoice-v3.5-plus	¥1.5/万字符	¥0.03	¥18
cosyvoice-v3-plus	¥2/万字符	¥0.04	¥24
cosyvoice-clone-v1	¥2/万字符	¥0.04	¥24
cosyvoice-v2 / v1	¥2/万字符	¥0.04	¥24

查价命令是 No Auth 的，不消耗额度，可以直接写进成本看板脚本：

bl model list --capability TTS
bl model list --capability ASR
bl model list --model cosyvoice-v3-flash

注意 --model 要写完整模型名，写系列简称会返回 Model "cosyvoice" not found.，先用 --capability 筛出完整名字再查详情。

海外订阅制的对照（ElevenLabs 官方 pricing 页当前值）：Free $0、Starter$6、Creator $22（首月$11）、Pro $99、Scale$299（含 3 席）、Business $990（含 10 席）。计费单位是 credit，TTS 约 1 credit/字符，Speech to Text 330 credits/分钟。Creator 一个月 121,000 credits，约等于 12.1 万字符；同样的字符量在 cosyvoice-v3-flash 上是 ¥12.1，按 1 美元 ≈ 7.1 人民币的假设折成$1.70。转写一小时是 19,800 credits，这边 ¥0.792 约 $0.11。

两种计费形态的适用边界很清楚：用量高且稳定、需要席位和协作，订阅制更省心；用量低或波动大、按项目结算，按字符和按秒更容易做成本归口。

免费额度按官方口径理解：每个符合条件的模型各自一份（通常 100 万 token），90 天有效期，仅华北2（北京）地域，过期不补发不结转，模型之间不互相借用；已认证账号额度用尽自动转按量付费。工程上建议开硬停：

bl usage freetier --all
bl usage free
bl usage summary

开启后超额调用返回 HTTP 403 与 AllocationQuota.FreeTierOnly，看到这个错误码是额度问题，不用去翻代码。

与本地方案的边界

同期在看 VoiceStudio，21.9k star，一周涨 7,499。开源、全本地，声音克隆（短参考音频零样本）、声音设计、视频配音、听写、有声书，16 个 TTS 引擎加 11 个 ASR 引擎，646 种语言目录，Tauri v2 桌面应用 + FastAPI 后端 + 本地 REST/SSE/WebSocket（localhost:3900）+ OpenAI 兼容 audio API + MCP Server。GPU 可选，CPU 模式可跑，用 GPU 时 4GB 显存起，依赖 Node 20+/Bun 与 Python 3.11+。

三个约束是它 README 自己写的：646 种语言的实际覆盖和音质取决于所选引擎；默认引擎权重是 CC-BY-NC（应用本体 AGPL-3.0）；项目状态 active beta，Intel Mac 跑不了本地 Python 后端。

我的分工判断：

声音克隆且音频不能出本机，走本地方案，这是云端替代不了的。MCP Server 意味着它能被 Agent 编排进私有工作流。

要中文与方言的成品音色、要 diarization、要多模态语音交互、要按量计费与免运维，走 CLI 这边。省掉的是引擎选型、权重许可核对、算力管理。

定制路径两边都有：本地靠换引擎和自行微调，这边是 bl finetune audio create（TTS 的 sft-lora）配 bl deploy audio create（独占部署），bl finetune price 可以先估训练成本。

还没解决的三个问题

--instruction 的风格指令在不同音色上表现不一致，缺一个可预期的写法，目前只能试听。

Omni 的音频输出 token 数没法在调用前估算，只能事后从用量倒推，做成本预估时这块我留了余量。

两套音色池不通用：合成层 64 个里有东北、陕西、闽南三种方言，Omni 的 13 个里有北京、南京、四川、陕西、粤语、天津口音。做方言内容要先确认目标方言落在哪一层，四川话只在 Omni 那边有，闽南话只在合成层这边有。