Qwen-Audio-3.0-TTS-Plus převádí text na výrazný mluvený projev. Alibaba jej zaměřuje na profesionální hlasové zpracování obsahu, audioknih, videí a materiálů s rozpoznatelným charakterem hlasu. Vstupem je text a výstupem zvuk; podporován je také průběžný výstup zvuku během syntézy.
Projev lze zadat přirozenými jazykovými instrukcemi a podrobnými řídicími značkami. Určují emoce, tón, charakter, tempo, hlasitost a styl řeči. Lze tak usměrnit přednes stejné věty od klidného vyprávění po energičtější nebo emotivnější projev.
Výraznost souvisí s vybraným hlasem a obsahem textu. Pro stálou výslovnost musí jazyk materiálu odpovídat jazykům, které hlas podporuje. Model je určen k hlasovému zpracování napsaného materiálu; analýza smyslu rozhovoru a přepis původní nahrávky patří k jiným zvukovým úlohám.
K dispozici jsou dva systémové hlasy: hřejivý ženský a veselý mužský. Podporují čínštinu a angličtinu. Vedle nich je k dispozici více než 500 základních hlasů a možnost napodobení hlasu podle řečového vzorku. Výrobce doporučuje systémové varianty, pokud je potřeba stálé znění hlasu.
Hlas podle vzorku podporuje čínštinu s regionálními variantami výslovnosti, angličtinu, francouzštinu, němčinu, japonštinu, korejštinu, ruštinu, portugalštinu, thajštinu, indonéštinu, vietnamštinu, italštinu, španělštinu, malajštinu, filipínštinu a arabštinu. Jde o jazykovou schopnost příslušného režimu; nepřenáší se automaticky na každý hotový hlas.
Požadavky na vzorek se týkají samostatného způsobu vytváření hlasu u výrobce; při syntéze řeči se používá již připravený hlas. Připravený hlas musí odpovídat vybranému modelu pro syntézu řeči: hlas jiného modelu vede u výrobce k chybě syntézy. Pro vzorek se doporučuje čistá řeč o délce 10–20 sekund. Celkový limit je 60 sekund a 10 MB; vyžaduje se alespoň pět sekund nepřerušované řeči. Podporovány jsou WAV v 16bitovém formátu, MP3 a M4A při vzorkovací frekvenci alespoň 16 kHz. Přípustný je jeden nebo dva kanály, ale u dvou se používá první.
Řečový vzorek musí obsahovat jeden hlas bez současně mluvících lidí, hudby a zpěvu. V požadavcích výrobce jsou krátké pauzy ve vzorku omezeny na dvě sekundy. To pomáhá zachytit barvu hlasu a zvláštnosti výslovnosti potřebné pro následnou syntézu. Řízení přednesu a napodobení hlasu podle vzorku popisují různé stránky práce modelu a mohou sloužit k přípravě zvukové podoby jednoho materiálu.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus převádí text na výrazný mluvený projev. Alibaba jej zaměřuje na profesionální hlasové zpracování obsahu, audioknih, videí a materiálů s rozpoznatelným charakterem hlasu. Vstupem je text a výstupem zvuk; podporován je také průběžný výstup zvuku během syntézy.\n\n### Způsob řeči jako součást zadání\n\nProjev lze zadat přirozenými jazykovými instrukcemi a podrobnými řídicími značkami. Určují emoce, tón, charakter, tempo, hlasitost a styl řeči. Lze tak usměrnit přednes stejné věty od klidného vyprávění po energičtější nebo emotivnější projev.\n\nVýraznost souvisí s vybraným hlasem a obsahem textu. Pro stálou výslovnost musí jazyk materiálu odpovídat jazykům, které hlas podporuje. Model je určen k hlasovému zpracování napsaného materiálu; analýza smyslu rozhovoru a přepis původní nahrávky patří k jiným zvukovým úlohám.\n\n### Hotový hlas a hlas podle vzorku\n\nK dispozici jsou dva systémové hlasy: hřejivý ženský a veselý mužský. Podporují čínštinu a angličtinu. Vedle nich je k dispozici více než 500 základních hlasů a možnost napodobení hlasu podle řečového vzorku. Výrobce doporučuje systémové varianty, pokud je potřeba stálé znění hlasu.\n\nHlas podle vzorku podporuje čínštinu s regionálními variantami výslovnosti, angličtinu, francouzštinu, němčinu, japonštinu, korejštinu, ruštinu, portugalštinu, thajštinu, indonéštinu, vietnamštinu, italštinu, španělštinu, malajštinu, filipínštinu a arabštinu. Jde o jazykovou schopnost příslušného režimu; nepřenáší se automaticky na každý hotový hlas.\n\nPožadavky na vzorek se týkají samostatného způsobu vytváření hlasu u výrobce; při syntéze řeči se používá již připravený hlas. Připravený hlas musí odpovídat vybranému modelu pro syntézu řeči: hlas jiného modelu vede u výrobce k chybě syntézy. Pro vzorek se doporučuje čistá řeč o délce 10–20 sekund. Celkový limit je 60 sekund a 10 MB; vyžaduje se alespoň pět sekund nepřerušované řeči. Podporovány jsou WAV v 16bitovém formátu, MP3 a M4A při vzorkovací frekvenci alespoň 16 kHz. Přípustný je jeden nebo dva kanály, ale u dvou se používá první.\n\nŘečový vzorek musí obsahovat jeden hlas bez současně mluvících lidí, hudby a zpěvu. V požadavcích výrobce jsou krátké pauzy ve vzorku omezeny na dvě sekundy. To pomáhá zachytit barvu hlasu a zvláštnosti výslovnosti potřebné pro následnou syntézu. Řízení přednesu a napodobení hlasu podle vzorku popisují různé stránky práce modelu a mohou sloužit k přípravě zvukové podoby jednoho materiálu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e1428bae6594b9500229ba0388137b06d74813e0b87533eda608a1610e4bd3fd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "qwen-audio-3.0-tts-plusModel pro výrazné hlasové zpracování textu do videí, audioknih a dalších zvukových materiálů. Podporuje řízení způsobu řeči a výběr hotového hlasu nebo hlasu vytvořeného podle vzorku.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen-Audio-3.0-TTS-Plus převádí text na výrazný mluvený projev. Alibaba jej zaměřuje na profesionální hlasové zpracování obsahu, audioknih, videí a materiálů s rozpoznatelným charakterem hlasu. Vstupem je text a výstupem zvuk; podporován je také průběžný výstup zvuku během syntézy.
Projev lze zadat přirozenými jazykovými instrukcemi a podrobnými řídicími značkami. Určují emoce, tón, charakter, tempo, hlasitost a styl řeči. Lze tak usměrnit přednes stejné věty od klidného vyprávění po energičtější nebo emotivnější projev.
Výraznost souvisí s vybraným hlasem a obsahem textu. Pro stálou výslovnost musí jazyk materiálu odpovídat jazykům, které hlas podporuje. Model je určen k hlasovému zpracování napsaného materiálu; analýza smyslu rozhovoru a přepis původní nahrávky patří k jiným zvukovým úlohám.
K dispozici jsou dva systémové hlasy: hřejivý ženský a veselý mužský. Podporují čínštinu a angličtinu. Vedle nich je k dispozici více než 500 základních hlasů a možnost napodobení hlasu podle řečového vzorku. Výrobce doporučuje systémové varianty, pokud je potřeba stálé znění hlasu.
Hlas podle vzorku podporuje čínštinu s regionálními variantami výslovnosti, angličtinu, francouzštinu, němčinu, japonštinu, korejštinu, ruštinu, portugalštinu, thajštinu, indonéštinu, vietnamštinu, italštinu, španělštinu, malajštinu, filipínštinu a arabštinu. Jde o jazykovou schopnost příslušného režimu; nepřenáší se automaticky na každý hotový hlas.
Požadavky na vzorek se týkají samostatného způsobu vytváření hlasu u výrobce; při syntéze řeči se používá již připravený hlas. Připravený hlas musí odpovídat vybranému modelu pro syntézu řeči: hlas jiného modelu vede u výrobce k chybě syntézy. Pro vzorek se doporučuje čistá řeč o délce 10–20 sekund. Celkový limit je 60 sekund a 10 MB; vyžaduje se alespoň pět sekund nepřerušované řeči. Podporovány jsou WAV v 16bitovém formátu, MP3 a M4A při vzorkovací frekvenci alespoň 16 kHz. Přípustný je jeden nebo dva kanály, ale u dvou se používá první.
Řečový vzorek musí obsahovat jeden hlas bez současně mluvících lidí, hudby a zpěvu. V požadavcích výrobce jsou krátké pauzy ve vzorku omezeny na dvě sekundy. To pomáhá zachytit barvu hlasu a zvláštnosti výslovnosti potřebné pro následnou syntézu. Řízení přednesu a napodobení hlasu podle vzorku popisují různé stránky práce modelu a mohou sloužit k přípravě zvukové podoby jednoho materiálu.
POST /v1/audio/speechtextspeech| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen-audio-3.0-tts-plus | Výchozí— |
Poleinput | Typstring | PožadavekPovinné | Hodnoty a limity Minimální délka: 1 Maximální délka: 600 Jednotka: znaky Unicode | Výchozí— |
Polevoice | Typstring | PožadavekVolitelné | Hodnoty a limity Příklady: longanlingxin, longanlufeng Přijatý vlastní vzor: ^qwen-audio-3\\.0-tts-plus- Podmínky: Přijímají se skutečná ID vlastních hlasů s přesným prefixem qwen-audio-3.0-tts-plus-. | Výchozílonganlingxin |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity mp3, wav, pcm | Výchozímp3 |
Polesample_rate | Typinteger | PožadavekVolitelné | Hodnoty a limity 16 000, 24 000, 48 000 Jednotka: Hz | Výchozí24 000 |
text_to_speech · Povinné: input
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.
POST /v1/audio/speech20,00 US$ za 1 mil. započtených znaků. Ideogram CJK se počítá jako 2 započtené znaky: 40,00 US$ za 1 mil. ideogramů. Váha ostatních znaků Unicode: 1. Výstupní audio: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-audio-3.0-tts-plus", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nzvolené mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte úplný binární výsledek a hlavičky. Pokud odpověď obsahuje JSON nebo více výstupů, uchovejte všechny datové položky a stáhněte každý soubor ze skutečně vrácené podepsané URL.
Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Odpověďserver_error | PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat | Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Použijte cesty metod uvedené výše.
qwen-ttsModel pro výrazné hlasové zpracování textu do videí, audioknih a dalších zvukových materiálů. Podporuje řízení způsobu řeči a výběr hotového hlasu nebo hlasu vytvořeného podle vzorku.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen-Audio-3.0-TTS-Plus převádí text na výrazný mluvený projev. Alibaba jej zaměřuje na profesionální hlasové zpracování obsahu, audioknih, videí a materiálů s rozpoznatelným charakterem hlasu. Vstupem je text a výstupem zvuk; podporován je také průběžný výstup zvuku během syntézy.
Projev lze zadat přirozenými jazykovými instrukcemi a podrobnými řídicími značkami. Určují emoce, tón, charakter, tempo, hlasitost a styl řeči. Lze tak usměrnit přednes stejné věty od klidného vyprávění po energičtější nebo emotivnější projev.
Výraznost souvisí s vybraným hlasem a obsahem textu. Pro stálou výslovnost musí jazyk materiálu odpovídat jazykům, které hlas podporuje. Model je určen k hlasovému zpracování napsaného materiálu; analýza smyslu rozhovoru a přepis původní nahrávky patří k jiným zvukovým úlohám.
K dispozici jsou dva systémové hlasy: hřejivý ženský a veselý mužský. Podporují čínštinu a angličtinu. Vedle nich je k dispozici více než 500 základních hlasů a možnost napodobení hlasu podle řečového vzorku. Výrobce doporučuje systémové varianty, pokud je potřeba stálé znění hlasu.
Hlas podle vzorku podporuje čínštinu s regionálními variantami výslovnosti, angličtinu, francouzštinu, němčinu, japonštinu, korejštinu, ruštinu, portugalštinu, thajštinu, indonéštinu, vietnamštinu, italštinu, španělštinu, malajštinu, filipínštinu a arabštinu. Jde o jazykovou schopnost příslušného režimu; nepřenáší se automaticky na každý hotový hlas.
Požadavky na vzorek se týkají samostatného způsobu vytváření hlasu u výrobce; při syntéze řeči se používá již připravený hlas. Připravený hlas musí odpovídat vybranému modelu pro syntézu řeči: hlas jiného modelu vede u výrobce k chybě syntézy. Pro vzorek se doporučuje čistá řeč o délce 10–20 sekund. Celkový limit je 60 sekund a 10 MB; vyžaduje se alespoň pět sekund nepřerušované řeči. Podporovány jsou WAV v 16bitovém formátu, MP3 a M4A při vzorkovací frekvenci alespoň 16 kHz. Přípustný je jeden nebo dva kanály, ale u dvou se používá první.
Řečový vzorek musí obsahovat jeden hlas bez současně mluvících lidí, hudby a zpěvu. V požadavcích výrobce jsou krátké pauzy ve vzorku omezeny na dvě sekundy. To pomáhá zachytit barvu hlasu a zvláštnosti výslovnosti potřebné pro následnou syntézu. Řízení přednesu a napodobení hlasu podle vzorku popisují různé stránky práce modelu a mohou sloužit k přípravě zvukové podoby jednoho materiálu.
POST /v1/audio/speechtextspeech| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen-tts | Výchozí— |
Poleinput | Typstring | PožadavekPovinné | Hodnoty a limity Minimální délka: 1 Maximální délka: 600 Jednotka: znaky Unicode | Výchozí— |
Polevoice | Typstring | PožadavekVolitelné | Hodnoty a limity Příklady: longanlingxin, longanlufeng Přijatý vlastní vzor: ^qwen-audio-3\\.0-tts-plus- Podmínky: Přijímají se skutečná ID vlastních hlasů s přesným prefixem qwen-audio-3.0-tts-plus-. | Výchozílonganlingxin |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity mp3, wav, pcm | Výchozímp3 |
Polesample_rate | Typinteger | PožadavekVolitelné | Hodnoty a limity 16 000, 24 000, 48 000 Jednotka: Hz | Výchozí24 000 |
text_to_speech · Povinné: input
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.
POST /v1/audio/speech20,00 US$ za 1 mil. započtených znaků. Ideogram CJK se počítá jako 2 započtené znaky: 40,00 US$ za 1 mil. ideogramů. Váha ostatních znaků Unicode: 1. Výstupní audio: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-tts", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nzvolené mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte úplný binární výsledek a hlavičky. Pokud odpověď obsahuje JSON nebo více výstupů, uchovejte všechny datové položky a stáhněte každý soubor ze skutečně vrácené podepsané URL.
Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Odpověďserver_error | PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat | Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Použijte cesty metod uvedené výše.
qwen-tts-latestModel pro výrazné hlasové zpracování textu do videí, audioknih a dalších zvukových materiálů. Podporuje řízení způsobu řeči a výběr hotového hlasu nebo hlasu vytvořeného podle vzorku.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen-Audio-3.0-TTS-Plus převádí text na výrazný mluvený projev. Alibaba jej zaměřuje na profesionální hlasové zpracování obsahu, audioknih, videí a materiálů s rozpoznatelným charakterem hlasu. Vstupem je text a výstupem zvuk; podporován je také průběžný výstup zvuku během syntézy.
Projev lze zadat přirozenými jazykovými instrukcemi a podrobnými řídicími značkami. Určují emoce, tón, charakter, tempo, hlasitost a styl řeči. Lze tak usměrnit přednes stejné věty od klidného vyprávění po energičtější nebo emotivnější projev.
Výraznost souvisí s vybraným hlasem a obsahem textu. Pro stálou výslovnost musí jazyk materiálu odpovídat jazykům, které hlas podporuje. Model je určen k hlasovému zpracování napsaného materiálu; analýza smyslu rozhovoru a přepis původní nahrávky patří k jiným zvukovým úlohám.
K dispozici jsou dva systémové hlasy: hřejivý ženský a veselý mužský. Podporují čínštinu a angličtinu. Vedle nich je k dispozici více než 500 základních hlasů a možnost napodobení hlasu podle řečového vzorku. Výrobce doporučuje systémové varianty, pokud je potřeba stálé znění hlasu.
Hlas podle vzorku podporuje čínštinu s regionálními variantami výslovnosti, angličtinu, francouzštinu, němčinu, japonštinu, korejštinu, ruštinu, portugalštinu, thajštinu, indonéštinu, vietnamštinu, italštinu, španělštinu, malajštinu, filipínštinu a arabštinu. Jde o jazykovou schopnost příslušného režimu; nepřenáší se automaticky na každý hotový hlas.
Požadavky na vzorek se týkají samostatného způsobu vytváření hlasu u výrobce; při syntéze řeči se používá již připravený hlas. Připravený hlas musí odpovídat vybranému modelu pro syntézu řeči: hlas jiného modelu vede u výrobce k chybě syntézy. Pro vzorek se doporučuje čistá řeč o délce 10–20 sekund. Celkový limit je 60 sekund a 10 MB; vyžaduje se alespoň pět sekund nepřerušované řeči. Podporovány jsou WAV v 16bitovém formátu, MP3 a M4A při vzorkovací frekvenci alespoň 16 kHz. Přípustný je jeden nebo dva kanály, ale u dvou se používá první.
Řečový vzorek musí obsahovat jeden hlas bez současně mluvících lidí, hudby a zpěvu. V požadavcích výrobce jsou krátké pauzy ve vzorku omezeny na dvě sekundy. To pomáhá zachytit barvu hlasu a zvláštnosti výslovnosti potřebné pro následnou syntézu. Řízení přednesu a napodobení hlasu podle vzorku popisují různé stránky práce modelu a mohou sloužit k přípravě zvukové podoby jednoho materiálu.
POST /v1/audio/speechtextspeech| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen-tts-latest | Výchozí— |
Poleinput | Typstring | PožadavekPovinné | Hodnoty a limity Minimální délka: 1 Maximální délka: 600 Jednotka: znaky Unicode | Výchozí— |
Polevoice | Typstring | PožadavekVolitelné | Hodnoty a limity Příklady: longanlingxin, longanlufeng Přijatý vlastní vzor: ^qwen-audio-3\\.0-tts-plus- Podmínky: Přijímají se skutečná ID vlastních hlasů s přesným prefixem qwen-audio-3.0-tts-plus-. | Výchozílonganlingxin |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity mp3, wav, pcm | Výchozímp3 |
Polesample_rate | Typinteger | PožadavekVolitelné | Hodnoty a limity 16 000, 24 000, 48 000 Jednotka: Hz | Výchozí24 000 |
text_to_speech · Povinné: input
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.
POST /v1/audio/speech20,00 US$ za 1 mil. započtených znaků. Ideogram CJK se počítá jako 2 započtené znaky: 40,00 US$ za 1 mil. ideogramů. Váha ostatních znaků Unicode: 1. Výstupní audio: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-tts-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nzvolené mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte úplný binární výsledek a hlavičky. Pokud odpověď obsahuje JSON nebo více výstupů, uchovejte všechny datové položky a stáhněte každý soubor ze skutečně vrácené podepsané URL.
Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Odpověďserver_error | PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat | Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Použijte cesty metod uvedené výše.