Qwen-Audio-3.0-TTS-Plus omsætter tekst til udtryksfuld tale. Alibaba retter den mod professionel oplæsning af indhold, lydbøger, videoer og materiale med en genkendelig stemmekarakter. Input er tekst, og output er lyd; lyden kan også leveres løbende under syntesen.
Fremførelsen kan styres med instruktioner på naturligt sprog og detaljerede styringsmarkeringer. De fastlægger følelse, tone, karakter, tempo, lydstyrke og talestil. Dermed kan fremførelsen af samme sætning styres fra rolig fortælling til en mere energisk eller følelsesladet fremførelse.
Udtrykket hænger sammen med den valgte stemme og tekstens indhold. For stabil udtale skal materialets sprog svare til de sprog, stemmen understøtter. Modellen er beregnet til oplæsning af skrevet materiale; analyse af samtalens betydning og transskription af en optagelse hører til andre lydopgaver.
Der er to systemstemmer: en varm kvindestemme og en munter mandestemme. De understøtter kinesisk og engelsk. Derudover findes mere end 500 basisstemmer og mulighed for at gengive en stemme ud fra en taleprøve. Producenten anbefaler systemvarianterne, når stabil lyd er vigtig.
Stemmer ud fra prøver understøtter kinesisk med regionale udtalevarianter, engelsk, fransk, tysk, japansk, koreansk, russisk, portugisisk, thai, indonesisk, vietnamesisk, italiensk, spansk, malajisk, filippinsk og arabisk. Det er en sproglig mulighed i den pågældende tilstand og gælder ikke automatisk enhver færdig stemme.
Kravene til prøven vedrører en særskilt måde at skabe en stemme hos producenten på; talesyntesen bruger en allerede forberedt stemme. Den forberedte stemme skal passe til den valgte oplæsningsmodel: en stemme fra en anden model hos producenten giver en syntesefejl. En ren taleprøve på 10–20 sekunder anbefales. Den samlede grænse er 60 sekunder og 10 MB; der kræves mindst fem sekunders sammenhængende tale. WAV med 16-bit-repræsentation, MP3 og M4A understøttes ved mindst 16 kHz. Én eller to kanaler accepteres, men ved to bruges den første.
Taleprøven skal indeholde én stemme uden samtidigt talende personer, musik eller sang. I producentens krav er korte pauser i prøven begrænset til to sekunder. Det hjælper med at udskille klang og udtaleegenskaber til den efterfølgende syntese. Styring af fremførelsen og gengivelse af en stemme ud fra en prøve beskriver forskellige sider af modellens arbejde og kan bruges til at forberede lyden til samme materiale.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus omsætter tekst til udtryksfuld tale. Alibaba retter den mod professionel oplæsning af indhold, lydbøger, videoer og materiale med en genkendelig stemmekarakter. Input er tekst, og output er lyd; lyden kan også leveres løbende under syntesen.\n\n### Talemåde som en del af opgaven\n\nFremførelsen kan styres med instruktioner på naturligt sprog og detaljerede styringsmarkeringer. De fastlægger følelse, tone, karakter, tempo, lydstyrke og talestil. Dermed kan fremførelsen af samme sætning styres fra rolig fortælling til en mere energisk eller følelsesladet fremførelse.\n\nUdtrykket hænger sammen med den valgte stemme og tekstens indhold. For stabil udtale skal materialets sprog svare til de sprog, stemmen understøtter. Modellen er beregnet til oplæsning af skrevet materiale; analyse af samtalens betydning og transskription af en optagelse hører til andre lydopgaver.\n\n### Færdig stemme og stemme ud fra en prøve\n\nDer er to systemstemmer: en varm kvindestemme og en munter mandestemme. De understøtter kinesisk og engelsk. Derudover findes mere end 500 basisstemmer og mulighed for at gengive en stemme ud fra en taleprøve. Producenten anbefaler systemvarianterne, når stabil lyd er vigtig.\n\nStemmer ud fra prøver understøtter kinesisk med regionale udtalevarianter, engelsk, fransk, tysk, japansk, koreansk, russisk, portugisisk, thai, indonesisk, vietnamesisk, italiensk, spansk, malajisk, filippinsk og arabisk. Det er en sproglig mulighed i den pågældende tilstand og gælder ikke automatisk enhver færdig stemme.\n\nKravene til prøven vedrører en særskilt måde at skabe en stemme hos producenten på; talesyntesen bruger en allerede forberedt stemme. Den forberedte stemme skal passe til den valgte oplæsningsmodel: en stemme fra en anden model hos producenten giver en syntesefejl. En ren taleprøve på 10–20 sekunder anbefales. Den samlede grænse er 60 sekunder og 10 MB; der kræves mindst fem sekunders sammenhængende tale. WAV med 16-bit-repræsentation, MP3 og M4A understøttes ved mindst 16 kHz. Én eller to kanaler accepteres, men ved to bruges den første.\n\nTaleprøven skal indeholde én stemme uden samtidigt talende personer, musik eller sang. I producentens krav er korte pauser i prøven begrænset til to sekunder. Det hjælper med at udskille klang og udtaleegenskaber til den efterfølgende syntese. Styring af fremførelsen og gengivelse af en stemme ud fra en prøve beskriver forskellige sider af modellens arbejde og kan bruges til at forberede lyden til samme materiale.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "056251d76eb82bfc32033337a407a3bdf294f973b9b2d6d9422db81294c35dc8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "qwen-audio-3.0-tts-plusModel til udtryksfuld oplæsning af tekst til videoer, lydbøger og stemmemateriale. Understøtter styring af talemåden og valg af en færdig stemme eller en stemme skabt ud fra en prøve.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-Audio-3.0-TTS-Plus omsætter tekst til udtryksfuld tale. Alibaba retter den mod professionel oplæsning af indhold, lydbøger, videoer og materiale med en genkendelig stemmekarakter. Input er tekst, og output er lyd; lyden kan også leveres løbende under syntesen.
Fremførelsen kan styres med instruktioner på naturligt sprog og detaljerede styringsmarkeringer. De fastlægger følelse, tone, karakter, tempo, lydstyrke og talestil. Dermed kan fremførelsen af samme sætning styres fra rolig fortælling til en mere energisk eller følelsesladet fremførelse.
Udtrykket hænger sammen med den valgte stemme og tekstens indhold. For stabil udtale skal materialets sprog svare til de sprog, stemmen understøtter. Modellen er beregnet til oplæsning af skrevet materiale; analyse af samtalens betydning og transskription af en optagelse hører til andre lydopgaver.
Der er to systemstemmer: en varm kvindestemme og en munter mandestemme. De understøtter kinesisk og engelsk. Derudover findes mere end 500 basisstemmer og mulighed for at gengive en stemme ud fra en taleprøve. Producenten anbefaler systemvarianterne, når stabil lyd er vigtig.
Stemmer ud fra prøver understøtter kinesisk med regionale udtalevarianter, engelsk, fransk, tysk, japansk, koreansk, russisk, portugisisk, thai, indonesisk, vietnamesisk, italiensk, spansk, malajisk, filippinsk og arabisk. Det er en sproglig mulighed i den pågældende tilstand og gælder ikke automatisk enhver færdig stemme.
Kravene til prøven vedrører en særskilt måde at skabe en stemme hos producenten på; talesyntesen bruger en allerede forberedt stemme. Den forberedte stemme skal passe til den valgte oplæsningsmodel: en stemme fra en anden model hos producenten giver en syntesefejl. En ren taleprøve på 10–20 sekunder anbefales. Den samlede grænse er 60 sekunder og 10 MB; der kræves mindst fem sekunders sammenhængende tale. WAV med 16-bit-repræsentation, MP3 og M4A understøttes ved mindst 16 kHz. Én eller to kanaler accepteres, men ved to bruges den første.
Taleprøven skal indeholde én stemme uden samtidigt talende personer, musik eller sang. I producentens krav er korte pauser i prøven begrænset til to sekunder. Det hjælper med at udskille klang og udtaleegenskaber til den efterfølgende syntese. Styring af fremførelsen og gengivelse af en stemme ud fra en prøve beskriver forskellige sider af modellens arbejde og kan bruges til at forberede lyden til samme materiale.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-audio-3.0-tts-plus | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 Maksimal længde: 600 Enhed: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravValgfrit | Værdier og grænser Eksempler: longanlingxin, longanlufeng Accepteret brugerdefineret mønster: ^qwen-audio-3\\.0-tts-plus- Betingelser: Faktiske brugerdefinerede stemme-ID’er med det præcise præfiks qwen-audio-3.0-tts-plus- accepteres. | Standardlonganlingxin |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser mp3, wav, pcm | Standardmp3 |
Feltsample_rate | Typeinteger | KravValgfrit | Værdier og grænser 16.000, 24.000, 48.000 Enhed: Hz | Standard24.000 |
text_to_speech · Påkrævet: input
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktnull |
Parameteroptional_controls | Kontraktnull |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/audio/speech20,00 US$ pr. 1 mio. optalte tegn. Et CJK-ideogram tæller som 2 optalte tegn: 40,00 US$ pr. 1 mio. ideogrammer. Vægt for øvrige Unicode-tegn: 1. Outputlyd: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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\nvalgt mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele det binære resultat og alle headere. Hvis der returneres JSON eller flere output, skal du gemme hvert dataelement og hente alle de faktiske signerede asset-URL'er.
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Brug metodestierne vist ovenfor.
qwen-ttsModel til udtryksfuld oplæsning af tekst til videoer, lydbøger og stemmemateriale. Understøtter styring af talemåden og valg af en færdig stemme eller en stemme skabt ud fra en prøve.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-Audio-3.0-TTS-Plus omsætter tekst til udtryksfuld tale. Alibaba retter den mod professionel oplæsning af indhold, lydbøger, videoer og materiale med en genkendelig stemmekarakter. Input er tekst, og output er lyd; lyden kan også leveres løbende under syntesen.
Fremførelsen kan styres med instruktioner på naturligt sprog og detaljerede styringsmarkeringer. De fastlægger følelse, tone, karakter, tempo, lydstyrke og talestil. Dermed kan fremførelsen af samme sætning styres fra rolig fortælling til en mere energisk eller følelsesladet fremførelse.
Udtrykket hænger sammen med den valgte stemme og tekstens indhold. For stabil udtale skal materialets sprog svare til de sprog, stemmen understøtter. Modellen er beregnet til oplæsning af skrevet materiale; analyse af samtalens betydning og transskription af en optagelse hører til andre lydopgaver.
Der er to systemstemmer: en varm kvindestemme og en munter mandestemme. De understøtter kinesisk og engelsk. Derudover findes mere end 500 basisstemmer og mulighed for at gengive en stemme ud fra en taleprøve. Producenten anbefaler systemvarianterne, når stabil lyd er vigtig.
Stemmer ud fra prøver understøtter kinesisk med regionale udtalevarianter, engelsk, fransk, tysk, japansk, koreansk, russisk, portugisisk, thai, indonesisk, vietnamesisk, italiensk, spansk, malajisk, filippinsk og arabisk. Det er en sproglig mulighed i den pågældende tilstand og gælder ikke automatisk enhver færdig stemme.
Kravene til prøven vedrører en særskilt måde at skabe en stemme hos producenten på; talesyntesen bruger en allerede forberedt stemme. Den forberedte stemme skal passe til den valgte oplæsningsmodel: en stemme fra en anden model hos producenten giver en syntesefejl. En ren taleprøve på 10–20 sekunder anbefales. Den samlede grænse er 60 sekunder og 10 MB; der kræves mindst fem sekunders sammenhængende tale. WAV med 16-bit-repræsentation, MP3 og M4A understøttes ved mindst 16 kHz. Én eller to kanaler accepteres, men ved to bruges den første.
Taleprøven skal indeholde én stemme uden samtidigt talende personer, musik eller sang. I producentens krav er korte pauser i prøven begrænset til to sekunder. Det hjælper med at udskille klang og udtaleegenskaber til den efterfølgende syntese. Styring af fremførelsen og gengivelse af en stemme ud fra en prøve beskriver forskellige sider af modellens arbejde og kan bruges til at forberede lyden til samme materiale.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-tts | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 Maksimal længde: 600 Enhed: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravValgfrit | Værdier og grænser Eksempler: longanlingxin, longanlufeng Accepteret brugerdefineret mønster: ^qwen-audio-3\\.0-tts-plus- Betingelser: Faktiske brugerdefinerede stemme-ID’er med det præcise præfiks qwen-audio-3.0-tts-plus- accepteres. | Standardlonganlingxin |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser mp3, wav, pcm | Standardmp3 |
Feltsample_rate | Typeinteger | KravValgfrit | Værdier og grænser 16.000, 24.000, 48.000 Enhed: Hz | Standard24.000 |
text_to_speech · Påkrævet: input
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktnull |
Parameteroptional_controls | Kontraktnull |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/audio/speech20,00 US$ pr. 1 mio. optalte tegn. Et CJK-ideogram tæller som 2 optalte tegn: 40,00 US$ pr. 1 mio. ideogrammer. Vægt for øvrige Unicode-tegn: 1. Outputlyd: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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\nvalgt mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele det binære resultat og alle headere. Hvis der returneres JSON eller flere output, skal du gemme hvert dataelement og hente alle de faktiske signerede asset-URL'er.
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Brug metodestierne vist ovenfor.
qwen-tts-latestModel til udtryksfuld oplæsning af tekst til videoer, lydbøger og stemmemateriale. Understøtter styring af talemåden og valg af en færdig stemme eller en stemme skabt ud fra en prøve.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-Audio-3.0-TTS-Plus omsætter tekst til udtryksfuld tale. Alibaba retter den mod professionel oplæsning af indhold, lydbøger, videoer og materiale med en genkendelig stemmekarakter. Input er tekst, og output er lyd; lyden kan også leveres løbende under syntesen.
Fremførelsen kan styres med instruktioner på naturligt sprog og detaljerede styringsmarkeringer. De fastlægger følelse, tone, karakter, tempo, lydstyrke og talestil. Dermed kan fremførelsen af samme sætning styres fra rolig fortælling til en mere energisk eller følelsesladet fremførelse.
Udtrykket hænger sammen med den valgte stemme og tekstens indhold. For stabil udtale skal materialets sprog svare til de sprog, stemmen understøtter. Modellen er beregnet til oplæsning af skrevet materiale; analyse af samtalens betydning og transskription af en optagelse hører til andre lydopgaver.
Der er to systemstemmer: en varm kvindestemme og en munter mandestemme. De understøtter kinesisk og engelsk. Derudover findes mere end 500 basisstemmer og mulighed for at gengive en stemme ud fra en taleprøve. Producenten anbefaler systemvarianterne, når stabil lyd er vigtig.
Stemmer ud fra prøver understøtter kinesisk med regionale udtalevarianter, engelsk, fransk, tysk, japansk, koreansk, russisk, portugisisk, thai, indonesisk, vietnamesisk, italiensk, spansk, malajisk, filippinsk og arabisk. Det er en sproglig mulighed i den pågældende tilstand og gælder ikke automatisk enhver færdig stemme.
Kravene til prøven vedrører en særskilt måde at skabe en stemme hos producenten på; talesyntesen bruger en allerede forberedt stemme. Den forberedte stemme skal passe til den valgte oplæsningsmodel: en stemme fra en anden model hos producenten giver en syntesefejl. En ren taleprøve på 10–20 sekunder anbefales. Den samlede grænse er 60 sekunder og 10 MB; der kræves mindst fem sekunders sammenhængende tale. WAV med 16-bit-repræsentation, MP3 og M4A understøttes ved mindst 16 kHz. Én eller to kanaler accepteres, men ved to bruges den første.
Taleprøven skal indeholde én stemme uden samtidigt talende personer, musik eller sang. I producentens krav er korte pauser i prøven begrænset til to sekunder. Det hjælper med at udskille klang og udtaleegenskaber til den efterfølgende syntese. Styring af fremførelsen og gengivelse af en stemme ud fra en prøve beskriver forskellige sider af modellens arbejde og kan bruges til at forberede lyden til samme materiale.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-tts-latest | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 Maksimal længde: 600 Enhed: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravValgfrit | Værdier og grænser Eksempler: longanlingxin, longanlufeng Accepteret brugerdefineret mønster: ^qwen-audio-3\\.0-tts-plus- Betingelser: Faktiske brugerdefinerede stemme-ID’er med det præcise præfiks qwen-audio-3.0-tts-plus- accepteres. | Standardlonganlingxin |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser mp3, wav, pcm | Standardmp3 |
Feltsample_rate | Typeinteger | KravValgfrit | Værdier og grænser 16.000, 24.000, 48.000 Enhed: Hz | Standard24.000 |
text_to_speech · Påkrævet: input
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktnull |
Parameteroptional_controls | Kontraktnull |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
POST /v1/audio/speech20,00 US$ pr. 1 mio. optalte tegn. Et CJK-ideogram tæller som 2 optalte tegn: 40,00 US$ pr. 1 mio. ideogrammer. Vægt for øvrige Unicode-tegn: 1. Outputlyd: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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\nvalgt mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele det binære resultat og alle headere. Hvis der returneres JSON eller flere output, skal du gemme hvert dataelement og hente alle de faktiske signerede asset-URL'er.
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Brug metodestierne vist ovenfor.