Qwen-Audio-3.0-TTS-Plus wandelt Text in ausdrucksstarke Sprache um. Alibaba richtet das Modell auf die professionelle Vertonung von Inhalten, Hörbüchern, Videos und Materialien mit einem wiedererkennbaren Stimmcharakter aus. Die Eingabe ist Text, die Ausgabe Audio; auch die Ausgabe während der Sprachsynthese wird unterstützt.
Die Darbietung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuermarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. So kann dieselbe Formulierung unterschiedlich vorgetragen werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt von der gewählten Stimme und dem Textinhalt ab. Für eine stabile Aussprache muss die Sprache des Materials zu den Sprachen passen, die die Stimme unterstützt. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer vorhandenen Aufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine fröhliche männliche Stimme. Sie unterstützen Chinesisch und Englisch. Daneben sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand eines Sprachbeispiels vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein gleichbleibender Klang wichtig ist.
Die Stimme anhand einer Vorlage unterstützt Chinesisch mit regionalen Aussprachevarianten sowie Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thai, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit dieses Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Vorlage betreffen ein eigenes Verfahren zur Erstellung einer Stimme beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Als Vorlage wird eine saubere Sprachaufnahme von 10–20 Sekunden empfohlen. Die Gesamtgrenze beträgt 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden ununterbrochene Sprache. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Das Sprachbeispiel muss eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Anforderungen des Herstellers dürfen kurze Pausen in der Vorlage höchstens zwei Sekunden dauern. Das hilft, die für die spätere Synthese benötigte Klangfarbe und Aussprachemerkmale herauszuarbeiten. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Vorlage beschreiben unterschiedliche Aspekte des Modells und können für die klangliche Gestaltung desselben Materials eingesetzt werden.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus wandelt Text in ausdrucksstarke Sprache um. Alibaba richtet das Modell auf die professionelle Vertonung von Inhalten, Hörbüchern, Videos und Materialien mit einem wiedererkennbaren Stimmcharakter aus. Die Eingabe ist Text, die Ausgabe Audio; auch die Ausgabe während der Sprachsynthese wird unterstützt.\n\n### Der Sprechstil als Teil der Vorgabe\n\nDie Darbietung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuermarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. So kann dieselbe Formulierung unterschiedlich vorgetragen werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.\n\nDie Ausdruckskraft hängt von der gewählten Stimme und dem Textinhalt ab. Für eine stabile Aussprache muss die Sprache des Materials zu den Sprachen passen, die die Stimme unterstützt. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer vorhandenen Aufnahme sind andere Audioaufgaben.\n\n### Fertige Stimme und Stimme anhand einer Vorlage\n\nEs gibt zwei Systemstimmen: eine warme weibliche und eine fröhliche männliche Stimme. Sie unterstützen Chinesisch und Englisch. Daneben sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand eines Sprachbeispiels vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein gleichbleibender Klang wichtig ist.\n\nDie Stimme anhand einer Vorlage unterstützt Chinesisch mit regionalen Aussprachevarianten sowie Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thai, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit dieses Modus und gilt nicht automatisch für jede fertige Stimme.\n\nDie Anforderungen an die Vorlage betreffen ein eigenes Verfahren zur Erstellung einer Stimme beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Als Vorlage wird eine saubere Sprachaufnahme von 10–20 Sekunden empfohlen. Die Gesamtgrenze beträgt 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden ununterbrochene Sprache. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.\n\nDas Sprachbeispiel muss eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Anforderungen des Herstellers dürfen kurze Pausen in der Vorlage höchstens zwei Sekunden dauern. Das hilft, die für die spätere Synthese benötigte Klangfarbe und Aussprachemerkmale herauszuarbeiten. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Vorlage beschreiben unterschiedliche Aspekte des Modells und können für die klangliche Gestaltung desselben Materials eingesetzt werden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f77204423f759af438f66e8dd33d4da6868f6ac5ecd7293afac7a21b4324eee4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "qwen-audio-3.0-tts-plusModell für ausdrucksstarke Textvertonung in Videos, Hörbüchern und Sprachmaterialien. Unterstützt die Steuerung des Sprechstils und die Wahl einer fertigen oder anhand einer Vorlage erzeugten Stimme.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-Audio-3.0-TTS-Plus wandelt Text in ausdrucksstarke Sprache um. Alibaba richtet das Modell auf die professionelle Vertonung von Inhalten, Hörbüchern, Videos und Materialien mit einem wiedererkennbaren Stimmcharakter aus. Die Eingabe ist Text, die Ausgabe Audio; auch die Ausgabe während der Sprachsynthese wird unterstützt.
Die Darbietung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuermarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. So kann dieselbe Formulierung unterschiedlich vorgetragen werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt von der gewählten Stimme und dem Textinhalt ab. Für eine stabile Aussprache muss die Sprache des Materials zu den Sprachen passen, die die Stimme unterstützt. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer vorhandenen Aufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine fröhliche männliche Stimme. Sie unterstützen Chinesisch und Englisch. Daneben sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand eines Sprachbeispiels vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein gleichbleibender Klang wichtig ist.
Die Stimme anhand einer Vorlage unterstützt Chinesisch mit regionalen Aussprachevarianten sowie Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thai, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit dieses Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Vorlage betreffen ein eigenes Verfahren zur Erstellung einer Stimme beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Als Vorlage wird eine saubere Sprachaufnahme von 10–20 Sekunden empfohlen. Die Gesamtgrenze beträgt 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden ununterbrochene Sprache. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Das Sprachbeispiel muss eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Anforderungen des Herstellers dürfen kurze Pausen in der Vorlage höchstens zwei Sekunden dauern. Das hilft, die für die spätere Synthese benötigte Klangfarbe und Aussprachemerkmale herauszuarbeiten. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Vorlage beschreiben unterschiedliche Aspekte des Modells und können für die klangliche Gestaltung desselben Materials eingesetzt werden.
POST /v1/audio/speechtextspeech| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-audio-3.0-tts-plus | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge: 600 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungOptional | Werte und Limits Beispiele: longanlingxin, longanlufeng Zulässiges benutzerdefiniertes Muster: ^qwen-audio-3\\.0-tts-plus- Bedingungen: Tatsächliche benutzerdefinierte Stimmen-IDs mit dem exakten Präfix qwen-audio-3.0-tts-plus- werden akzeptiert. | Standardlonganlingxin |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3, wav, pcm | Standardmp3 |
Feldsample_rate | Typinteger | AnforderungOptional | Werte und Limits 16 000, 24 000, 48 000 Einheit: Hz | Standard24 000 |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speech$ 20,00 pro 1 Mio. gezählte Zeichen. Ein CJK-Ideogramm zählt als 2 gezählte Zeichen: $ 40,00 pro 1 Mio. Ideogramme. Gewicht der übrigen Unicode-Zeichen: 1. Ausgabeaudio: $ 0,00.
{\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 reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
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\nausgewähltes mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-ttsModell für ausdrucksstarke Textvertonung in Videos, Hörbüchern und Sprachmaterialien. Unterstützt die Steuerung des Sprechstils und die Wahl einer fertigen oder anhand einer Vorlage erzeugten Stimme.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-Audio-3.0-TTS-Plus wandelt Text in ausdrucksstarke Sprache um. Alibaba richtet das Modell auf die professionelle Vertonung von Inhalten, Hörbüchern, Videos und Materialien mit einem wiedererkennbaren Stimmcharakter aus. Die Eingabe ist Text, die Ausgabe Audio; auch die Ausgabe während der Sprachsynthese wird unterstützt.
Die Darbietung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuermarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. So kann dieselbe Formulierung unterschiedlich vorgetragen werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt von der gewählten Stimme und dem Textinhalt ab. Für eine stabile Aussprache muss die Sprache des Materials zu den Sprachen passen, die die Stimme unterstützt. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer vorhandenen Aufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine fröhliche männliche Stimme. Sie unterstützen Chinesisch und Englisch. Daneben sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand eines Sprachbeispiels vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein gleichbleibender Klang wichtig ist.
Die Stimme anhand einer Vorlage unterstützt Chinesisch mit regionalen Aussprachevarianten sowie Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thai, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit dieses Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Vorlage betreffen ein eigenes Verfahren zur Erstellung einer Stimme beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Als Vorlage wird eine saubere Sprachaufnahme von 10–20 Sekunden empfohlen. Die Gesamtgrenze beträgt 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden ununterbrochene Sprache. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Das Sprachbeispiel muss eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Anforderungen des Herstellers dürfen kurze Pausen in der Vorlage höchstens zwei Sekunden dauern. Das hilft, die für die spätere Synthese benötigte Klangfarbe und Aussprachemerkmale herauszuarbeiten. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Vorlage beschreiben unterschiedliche Aspekte des Modells und können für die klangliche Gestaltung desselben Materials eingesetzt werden.
POST /v1/audio/speechtextspeech| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-tts | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge: 600 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungOptional | Werte und Limits Beispiele: longanlingxin, longanlufeng Zulässiges benutzerdefiniertes Muster: ^qwen-audio-3\\.0-tts-plus- Bedingungen: Tatsächliche benutzerdefinierte Stimmen-IDs mit dem exakten Präfix qwen-audio-3.0-tts-plus- werden akzeptiert. | Standardlonganlingxin |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3, wav, pcm | Standardmp3 |
Feldsample_rate | Typinteger | AnforderungOptional | Werte und Limits 16 000, 24 000, 48 000 Einheit: Hz | Standard24 000 |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speech$ 20,00 pro 1 Mio. gezählte Zeichen. Ein CJK-Ideogramm zählt als 2 gezählte Zeichen: $ 40,00 pro 1 Mio. Ideogramme. Gewicht der übrigen Unicode-Zeichen: 1. Ausgabeaudio: $ 0,00.
{\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 reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
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\nausgewähltes mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-tts-latestModell für ausdrucksstarke Textvertonung in Videos, Hörbüchern und Sprachmaterialien. Unterstützt die Steuerung des Sprechstils und die Wahl einer fertigen oder anhand einer Vorlage erzeugten Stimme.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-Audio-3.0-TTS-Plus wandelt Text in ausdrucksstarke Sprache um. Alibaba richtet das Modell auf die professionelle Vertonung von Inhalten, Hörbüchern, Videos und Materialien mit einem wiedererkennbaren Stimmcharakter aus. Die Eingabe ist Text, die Ausgabe Audio; auch die Ausgabe während der Sprachsynthese wird unterstützt.
Die Darbietung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuermarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. So kann dieselbe Formulierung unterschiedlich vorgetragen werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt von der gewählten Stimme und dem Textinhalt ab. Für eine stabile Aussprache muss die Sprache des Materials zu den Sprachen passen, die die Stimme unterstützt. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer vorhandenen Aufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine fröhliche männliche Stimme. Sie unterstützen Chinesisch und Englisch. Daneben sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand eines Sprachbeispiels vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein gleichbleibender Klang wichtig ist.
Die Stimme anhand einer Vorlage unterstützt Chinesisch mit regionalen Aussprachevarianten sowie Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thai, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit dieses Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Vorlage betreffen ein eigenes Verfahren zur Erstellung einer Stimme beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Als Vorlage wird eine saubere Sprachaufnahme von 10–20 Sekunden empfohlen. Die Gesamtgrenze beträgt 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden ununterbrochene Sprache. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Das Sprachbeispiel muss eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Anforderungen des Herstellers dürfen kurze Pausen in der Vorlage höchstens zwei Sekunden dauern. Das hilft, die für die spätere Synthese benötigte Klangfarbe und Aussprachemerkmale herauszuarbeiten. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Vorlage beschreiben unterschiedliche Aspekte des Modells und können für die klangliche Gestaltung desselben Materials eingesetzt werden.
POST /v1/audio/speechtextspeech| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-tts-latest | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge: 600 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungOptional | Werte und Limits Beispiele: longanlingxin, longanlufeng Zulässiges benutzerdefiniertes Muster: ^qwen-audio-3\\.0-tts-plus- Bedingungen: Tatsächliche benutzerdefinierte Stimmen-IDs mit dem exakten Präfix qwen-audio-3.0-tts-plus- werden akzeptiert. | Standardlonganlingxin |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3, wav, pcm | Standardmp3 |
Feldsample_rate | Typinteger | AnforderungOptional | Werte und Limits 16 000, 24 000, 48 000 Einheit: Hz | Standard24 000 |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speech$ 20,00 pro 1 Mio. gezählte Zeichen. Ein CJK-Ideogramm zählt als 2 gezählte Zeichen: $ 40,00 pro 1 Mio. Ideogramme. Gewicht der übrigen Unicode-Zeichen: 1. Ausgabeaudio: $ 0,00.
{\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 reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
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\nausgewähltes mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Verwenden Sie die oben angezeigten Methodenpfade.