Qwen: Qwen-Audio-3.0-TTS Flash
Qwen-Audio-3.0-TTS-Flash هو نموذج تحويل النص إلى كلام من Qwen، ويركّز على المساعدات الصوتية سريعة الاستجابة والحوار التفاعلي. يجمع بين التوليد الصوتي المتدفق، وأصوات معدّة مسبقًا أو مستنسخة خاصة بالنموذج، وتعليمات أو وسوم لإلقاء تعبيري.
عن النموذج
يغطي هذا الوصف قدرات النموذج. وترد أدناه المدخلات والمخرجات والخيارات المتاحة في Ailoot للطريقة المحددة.
يحوّل Qwen-Audio-3.0-TTS-Flash نصًا مقدّمًا إلى كلام، مع تركيز إصدار Flash على التفاعل في الوقت الفعلي. وتحدّد Qwen المساعدات الصوتية والحوار التفاعلي وخدمة العملاء الذكية بوصفها تطبيقاته الرئيسية. وبالمقارنة مع الإصدار السابق، تصف الجهة المنتجة دعمًا أوسع للغات قليلة الموارد واللهجات الصينية، وتعبيرًا أكثر أصالة باللهجات، وتحكّمًا أقوى بالمشاعر والنبرة والطابع والسرعة ومستوى الصوت وأسلوب الكلام. كما تشير إلى تحسّن الوضوح والمتانة في الظروف الصوتية التي تتضمن ضوضاء أو صدى. هذه عملية توليد صوت من نص، وليست تعرّفًا على الكلام الوارد أو نموذجًا للحوار الصوتي.
يعطي Flash الأولوية لبدء الكلام في التبادل التفاعلي. وتذكر Qwen أن زمن وصول أول حزمة في التوليد الصوتي الآني لهذا النموذج لا يتجاوز 200 مللي ثانية؛ كما يشير دليل الاستخدام إلى أن الإعداد الأولي للاتصال يسهم في التأخير المقاس عند الإرسال الأول. جهّز الكلمات المطلوب نطقها بصورة منفصلة عن أسلوب إلقائها المرغوب. في ردّ مساعد صوتي، يمكن لتوجيه توضيحي أن يجمع بين إجابة موجزة وتعليمة بإلقاء هادئ وواضح. النتيجة المقصودة هي الكلام المولّد لذلك النص، بينما يتولى التطبيق التشغيل الصوتي والمحادثة المحيطة به.
تتضمن قائمة أصوات النظام لدى الجهة المنتجة خيارات خاصة بالنموذج، مثل Long An Feng Yue لإلقاء طبيعي وودود وLong An Xiao Xin لإلقاء ودود وحيوي، وكلاهما مدرج للماندرين والإنجليزية. كما تتضمن أصواتًا إنجليزية مثل loongmary بلكنة بريطانية وloongjohn بلكنة أمريكية هادئة وودودة. ولكل نموذج أيضًا أكثر من 500 صوت أساسي. توصي Qwen بالبدء بأصوات النظام للحفاظ على الاتساق، وتقييم المعاينات عند اختيار صوت أساسي. يجب أن ينتمي الصوت إلى النموذج المختار، وأن يستخدم النص لغة يدعمها ذلك الصوت.
توسّع الأصوات المستنسخة النطاق اللغوي الموثّق ليشمل الصينية والإنجليزية واليابانية والكورية والروسية والفرنسية والألمانية والبرتغالية والتايلاندية والإندونيسية والفيتنامية والإسبانية والإيطالية والملايوية والفلبينية والعربية. وتشمل تغطية الصينية الماندرين والكانتونية ولهجات تشونغتشينغ والشمال الشرقي وغانسو وقويتشو وتشجيانغ وخبي وخنان وخوبي وخونان وجيانغشي ونينغبو ونينغشيا وتشينغداو وشنشي (Shaanxi) وشانشي (Shanxi) وشاندونغ وشانغهاي وسيتشوان ويونان، مع اختيار اللهجة من خلال التعليمات. يبيّن جدول النموذج دعم استنساخ الصوت من عيّنة، ويميّزه عن إنشاء صوت جديد اعتمادًا على وصف نصي فقط، وهو ما لا يدعمه هذا الإصدار.
للاستنساخ، توصي الجهة المنتجة بتسجيل مدته 10–20 ثانية، بحد أقصى 60 ثانية وحجم ملف لا يتجاوز 10 MB. صيغ المرجع المدعومة هي WAV بعمق 16 بت وMP3 وM4A، وبمعدل أخذ عينات لا يقل عن 16 kHz. يحتاج التسجيل إلى خمس ثوانٍ على الأقل من الكلام المتواصل الواضح؛ ويجب ألا تتجاوز فترات الصمت الأخرى ثانيتين. تجنّب أصوات الخلفية والأصوات الأخرى والغناء. يُقبل التسجيل المجسّم، لكن القناة الأولى فقط هي التي تُعالج. يعيد سير عمل الاستنساخ معرّف صوت مرتبطًا بالنموذج المستهدف المحدد، ويستخدم التوليد الصوتي ذلك المعرّف عندما يصبح الصوت جاهزًا. ويتطلب التسجيل نفسه أصواتًا مستنسخة منفصلة لإصداري Flash وPlus.
تتحكّم تعليمات اللغة الطبيعية بالإلقاء لكل من أصوات النظام والأصوات المستنسخة. صِف صفات مسموعة مثل نبرة لطيفة أو نطق واضح أو إيقاع أبطأ قليلًا. وتوفّر الوسوم المضمّنة في النص نوعًا آخر من التحكّم: يحدّد [empathetic] أو [serious] أسلوبًا للنص اللاحق، بينما يُدرج [laughing] أو [sighing] تأثيرًا صوتيًا في موضع محدد. يستمر وسم التحكّم حتى وسم تحكّم آخر أو التقسيم التلقائي للجمل. وسوم المشاعر والتعبيرات الغنية هذه موثّقة للبث أحادي الاتجاه فقط، وليس لوضع إدخال النص ثنائي الاتجاه. جهّز عبارة تعبيرية في الوضع الملائم لتلك الضوابط.
تدعم واجهة الكلام لدى الجهة المنتجة PCM وWAV وMP3 وOpus. ومعدلات أخذ العينات المدرجة هي 8,000 و16,000 و22,050 و24,000 و44,100 و48,000 Hz، مع MP3 و22,050 Hz بوصفهما القيمتين الافتراضيتين. يتراوح مستوى الصوت من 0 إلى 100؛ وتتراوح سرعة الكلام وطبقته كل منهما من 0.5 إلى 2.0. ويتيح MP3 وOpus أيضًا إعدادًا لمعدل البت من 6 إلى 510 kbps. اختر صيغة ومعدل أخذ عينات يناسبان المشغّل المقصود أو سير عمل المعالجة. وللتطبيق التفاعلي، توثّق الجهة المنتجة إطارات صوت متدفقة وبيانات وصفية للجمل، مع إتاحة طوابع زمنية على مستوى الكلمات في المخرجات المتدفقة للأصوات المؤهلة، بما فيها الأصوات المستنسخة.
يقبل بروتوكول النص الموثّق عبر WebSocket ما يصل إلى 20,000 محرف في رسالة نصية واحدة و200,000 محرف إجمالًا ضمن مهمة، مع فاصل لا يزيد على 23 ثانية بين عمليات الإرسال. هذه حدود بروتوكول الجهة المنتجة، وهي منفصلة عن أي حد عام لمدة المخرجات الصوتية للنموذج. ويدعم إلغاء دور التوليد الصوتي الحالي وبدء مهمة لاحقة على الاتصال نفسه. احتفظ بالمقاطع النصية بالترتيب الذي يُراد نطقها به، وأنهِ الإدخال عند اكتمال النص. ولتحضير النطق، توثّق الجهة المنتجة تلميحات للغة المستهدفة وتعليقات pinyin توضيحية واستبدالات نصية، وهي مفيدة عندما تُنطق الأرقام أو الاختصارات أو الرموز بطريقة غير متوقعة.
SSML خيار مستقل للترميز، وله شروط تتعلق بالصوت ووضع التفاعل: توثّقه Qwen للأصوات المستنسخة مع الاستدعاءات غير المتدفقة أو المتدفقة أحادية الاتجاه، وبإرسال نص واحد عند تفعيل SSML. ولا ينبغي افتراض دعمه لكل صوت معدّ مسبقًا أو لكل بث ثنائي الاتجاه. للحوار العادي، ابدأ بصوت متوافق ونص واضح معدّ للنطق وتعليمة محددة للإلقاء؛ وأضف ضوابط نطق أو تعبير موجّهة حيث تتطلبها المهمة. بذلك يظل إصدار Flash موجّهًا إلى الكلام سريع الاستجابة من نص مُعدّ، بدلًا من إمكانات نماذج Qwen الصوتية الأخرى.
Ailoot Ultra · توليد الكلام POST /v1/audio/speech qwen/qwen-audio-3.0-tts-flash
qwen/qwen-audio-3.0-tts-flashالبداية
Qwen-Audio-3.0-TTS-Flash هو نموذج تحويل النص إلى كلام من Qwen، ويركّز على المساعدات الصوتية سريعة الاستجابة والحوار التفاعلي. يجمع بين التوليد الصوتي المتدفق، وأصوات معدّة مسبقًا أو مستنسخة خاصة بالنموذج، وتعليمات أو وسوم لإلقاء تعبيري.
- المدخلات المقبولة
- النص
- النتائج
- الصوت
متاح في Ailoot · المدخلات والطرائق
Ailoot Ultra · توليد الكلام POST /v1/audio/speech
- الإدخال
text- الإخراج
audio- صيغة الإخراج
- mp3
| الحقل | النوع | المتطلب | القيم والحدود | القيمة الافتراضية |
|---|---|---|---|---|
الحقلmodel | النوعstring | المتطلبمطلوب | القيم والحدود qwen/qwen-audio-3.0-tts-flash | القيمة الافتراضية— |
الحقلinput | النوعstring | المتطلبمطلوب | القيم والحدود الحد الأدنى للطول: 1 الوحدة: محارف Unicode | القيمة الافتراضية— |
الحقلvoice | النوعstring | المتطلبمطلوب | القيم والحدود loongjohn, longanhuan_v3.6 | القيمة الافتراضية— |
الحقلresponse_format | النوعstring | المتطلبمطلوب | القيم والحدود mp3 | القيمة الافتراضية— |
تركيبات مواد الإدخال
text_to_speech · مطلوب: input
معلمات الطريقة ودورة حياتها
| المعلمة | المواصفات |
|---|---|
المعلمةcontent_type | المواصفاتapplication/json |
المعلمةrequired | المواصفاتmodel, input, voice, response_format |
المعلمةvoice_ids | المواصفاتloongjohn, longanhuan_v3.6 |
المعلمةresponse_format | المواصفاتmp3 |
المعلمةmax_input_characters | المواصفاتnull |
المعلمةother_options | المواصفاتfalse |
المعلمةinput | المواصفاتنص UTF-8 الدقيق؛ يُحصى عدد محارف Unicode دون تطبيع |
المعلمةmaterial_types | المواصفاتtext |
دورة الحياة: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · قيمة task_id الفعلية المُعادة أو سجل مكتبة الوسائط
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
اختر الصوت المحدد من ملف إعداد هذا النموذج.
أحرف الإدخال وثواني الصوت مقياسان مختلفان للاستخدام.
الباقات
مراجع التسعير لا تضيف خيارات للطلب. المعلمات المدعومة مذكورة للطريقة المحددة.
- الوضع السريع
- غير محدد عند اختيار الوضع السريع
- الوضع المرن
- غير محدد عند اختيار وضع flex
- أقصى جهد للاستدلال
- غير محدد عندما يُطبَّق الضبط الافتراضي default مع أقصى جهد للاستدلال
تعرفات Ailoot
الأسعار حسب الإعدادات
طابق كل رسم مع الشروط المعروضة. طبّق تعرفة واحدة لكل مجموعة من الإعدادات البديلة.
| الإعدادات | جدول التعرفة | الكمية القابلة للفوترة | وحدة الفوترة | الرسوم |
|---|---|---|---|---|
| الإعداداتالتعرفات الأساسية للرموز | جدول التعرفةالتعرفة الأساسية | الكمية القابلة للفوترة— | وحدة الفوترة— | الرسوم الإدخال · رموز الإدخال — / 1K من الرموز الإخراج · رموز الإخراج — / 1K من الرموز الإدخال · قراءة ذاكرة التخزين المؤقت — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت، 1 ساعة — / 1K من الرموز |
| الإعداداتUltra | جدول التعرفة— | الكمية القابلة للفوترةتُحتسب كل نقطة ترميز Unicode حرفًا واحدًا، بما في ذلك محارف هان. | وحدة الفوترةلكل 1K حرف مُدخل | الرسوم الإدخال · محرف إدخال $0.03 لكل 1K حرف مُدخل |
تفاصيل التعرفة المرجعية
لا تغيّر جداول التعرفة المرجعية على مستوى النموذج اختيار الطريقة أو عروض الأسعار أو الرسوم. وتستخدم الرسوم الفعلية تعرفات طريقة Ailoot المحددة.
Qwen: Qwen-Audio-3.0-TTS Flash
الأسعار حسب الإعدادات
| الإعدادات | شروط الفوترة | الرسوم |
|---|---|---|
| الإعداداتQwen: Qwen-Audio-3.0-TTS Flash · الإعداد الافتراضي | شروط الفوترةالإعداد الافتراضي | الرسوم الإدخال · أحرف الإدخال 0.00003 US$ لكل حرف مُدخل |
تحجز Ailoot مبلغًا تقديريًا قبل الطلب. وبعد ظهور النتيجة، تُسوّي الرسوم النهائية بناءً على الاستخدام المقاس. وتستخدم تسوية البث سجل الاستخدام النهائي. كيفية عمل حجز المبلغ وتسوية الرسوم →
أمثلة للطلبات
Ailoot Ultra · توليد الكلام
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen/qwen-audio-3.0-tts-flash", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["loongjohn", "longanhuan_v3.6"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
استلام النتائج وحفظها
Ailoot Ultra · توليد الكلام
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
عمليات أخرى لقراءة المحتوى
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT
الاحتفاظ بكل النتائج المكتملة
احتفظ بكل استجابة كاملة وكل ملف وجزء محتوى تم إرجاعه.
احتفظ بالنتيجة الثنائية كاملة وبجميع الترويسات. إذا أُعيدت بيانات JSON أو مخرجات متعددة، فاحتفظ بكل عنصر بيانات واجلب محتوى كل عنوان URL فعلي موقّع لأصل من أصول الوسائط.
عند الحاجة إلى التحقق من الاستجابة الأصلية
احتفظ بقيمة operation_id/X-Client-Request-ID الأصلية للمطابقة دون إعادة الإرسال؛ لا يوجد مسار مخصص للاستعلام الدوري عن الصوت.
حقول الاستجابة
| الحقل | النوع |
|---|---|
الحقلbinary audio | النوعbytes |
الحقلresponse headers | النوعheaders |
الأخطاء والخطوات التالية
| الاستجابة | الشرط | الخطوة التالية |
|---|---|---|
الاستجابة400 · invalid_request_error | الشرطحقول مطلوبة أو تمثيل مادة أو قيمة معلمة غير صحيحة | الخطوة التاليةصحّح الحقول المحددة قبل طلب إنشاء جديد. |
الاستجابةserver_error | الشرطتشير الاستجابة المُعادة إلى أن العملية أو النتيجة تتطلب التحقق | الخطوة التاليةاحتفظ بمعرّف العملية أو المهمة الأصلي المُعاد، وبترويسات الطلب وبالاستجابة؛ وواصل عمليات القراءة المدعومة لتلك العملية الأصلية. لا تُعِد إرسال طلب الإنشاء. |
الأسماء البديلة
الأسماء البديلة للنموذج
Ailoot Ultra qwen/qwen-audio-3.0-tts-flash
الأسماء البديلة لمسارات الطرائق
استخدم مسارات الطرائق المعروضة أعلاه.
معرّفات النماذج ذات الصلة IDs
FAQ · Qwen: Qwen-Audio-3.0-TTS Flash
- ما المدخلات والنتائج المتاحة؟
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-flash:text→audio- ما الحقول التي يستخدمها الطلب؟
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-flash:model,input,voice,response_format