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; Audio kann auch während der Synthese ausgegeben werden.
Die Darstellung lässt sich mit Anweisungen in natürlicher Sprache und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Ton, Charakter, Tempo, Lautstärke und Sprechstil. So kann die Wiedergabe derselben Phrase gelenkt werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt mit der gewählten Stimme und dem Textinhalt zusammen. Für eine zuverlässige Aussprache muss die Sprache des Materials zu den von der Stimme unterstützten Sprachen passen. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer Ausgangsaufnahme gehören zu anderen 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 einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn eine beständige Klangqualität benötigt wird.
Der Modus mit Sprachprobe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Diese Sprachunterstützung gehört zum entsprechenden Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Probe beziehen sich auf eine separate Methode zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Die vorbereitete Stimme muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Empfohlen wird eine saubere Sprachprobe von 10–20 Sekunden. Die allgemeine Grenze beträgt 60 Sekunden und 10 MB; mindestens fünf Sekunden zusammenhängende Sprache sind erforderlich. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei einer Abtastrate von mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Die Sprachprobe soll eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale für die spätere Synthese zu erfassen. Die Steuerung der Darbietung und die Stimmnachbildung anhand einer Probe beschreiben unterschiedliche Seiten des Modells und können zur Vorbereitung der Vertonung eines Materials genutzt 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; Audio kann auch während der Synthese ausgegeben werden.\n\n### Die Sprechweise als Teil der Vorgabe\n\nDie Darstellung lässt sich mit Anweisungen in natürlicher Sprache und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Ton, Charakter, Tempo, Lautstärke und Sprechstil. So kann die Wiedergabe derselben Phrase gelenkt werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.\n\nDie Ausdruckskraft hängt mit der gewählten Stimme und dem Textinhalt zusammen. Für eine zuverlässige Aussprache muss die Sprache des Materials zu den von der Stimme unterstützten Sprachen passen. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer Ausgangsaufnahme gehören zu anderen Audioaufgaben.\n\n### Fertige Stimme und Stimme nach einer Probe\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 einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn eine beständige Klangqualität benötigt wird.\n\nDer Modus mit Sprachprobe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Diese Sprachunterstützung gehört zum entsprechenden Modus und gilt nicht automatisch für jede fertige Stimme.\n\nDie Anforderungen an die Probe beziehen sich auf eine separate Methode zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Die vorbereitete Stimme muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Empfohlen wird eine saubere Sprachprobe von 10–20 Sekunden. Die allgemeine Grenze beträgt 60 Sekunden und 10 MB; mindestens fünf Sekunden zusammenhängende Sprache sind erforderlich. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei einer Abtastrate von mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.\n\nDie Sprachprobe soll eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale für die spätere Synthese zu erfassen. Die Steuerung der Darbietung und die Stimmnachbildung anhand einer Probe beschreiben unterschiedliche Seiten des Modells und können zur Vorbereitung der Vertonung eines Materials genutzt werden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "169aa270018ce4a9364d86f985ac9be918afba4a0c72f82d35fdf5453823dc18", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "qwen-audio-3.0-tts-plusModell für ausdrucksstarke Textvertonung in Clips, Hörbüchern und Sprachmaterialien. Unterstützt die Steuerung der Sprechweise und die Wahl einer fertigen oder nach einer Probe erstellten 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; Audio kann auch während der Synthese ausgegeben werden.
Die Darstellung lässt sich mit Anweisungen in natürlicher Sprache und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Ton, Charakter, Tempo, Lautstärke und Sprechstil. So kann die Wiedergabe derselben Phrase gelenkt werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt mit der gewählten Stimme und dem Textinhalt zusammen. Für eine zuverlässige Aussprache muss die Sprache des Materials zu den von der Stimme unterstützten Sprachen passen. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer Ausgangsaufnahme gehören zu anderen 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 einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn eine beständige Klangqualität benötigt wird.
Der Modus mit Sprachprobe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Diese Sprachunterstützung gehört zum entsprechenden Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Probe beziehen sich auf eine separate Methode zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Die vorbereitete Stimme muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Empfohlen wird eine saubere Sprachprobe von 10–20 Sekunden. Die allgemeine Grenze beträgt 60 Sekunden und 10 MB; mindestens fünf Sekunden zusammenhängende Sprache sind erforderlich. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei einer Abtastrate von mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Die Sprachprobe soll eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale für die spätere Synthese zu erfassen. Die Steuerung der Darbietung und die Stimmnachbildung anhand einer Probe beschreiben unterschiedliche Seiten des Modells und können zur Vorbereitung der Vertonung eines Materials genutzt 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. abgerechnete Zeichen. Ein CJK-Ideogramm zählt als 2 abgerechnete Zeichen: $ 40.00 pro 1 Mio. Ideogramme. Gewichtung der übrigen Unicode-Zeichen: 1. Audioausgabe: $ 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 Clips, Hörbüchern und Sprachmaterialien. Unterstützt die Steuerung der Sprechweise und die Wahl einer fertigen oder nach einer Probe erstellten 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; Audio kann auch während der Synthese ausgegeben werden.
Die Darstellung lässt sich mit Anweisungen in natürlicher Sprache und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Ton, Charakter, Tempo, Lautstärke und Sprechstil. So kann die Wiedergabe derselben Phrase gelenkt werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt mit der gewählten Stimme und dem Textinhalt zusammen. Für eine zuverlässige Aussprache muss die Sprache des Materials zu den von der Stimme unterstützten Sprachen passen. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer Ausgangsaufnahme gehören zu anderen 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 einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn eine beständige Klangqualität benötigt wird.
Der Modus mit Sprachprobe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Diese Sprachunterstützung gehört zum entsprechenden Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Probe beziehen sich auf eine separate Methode zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Die vorbereitete Stimme muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Empfohlen wird eine saubere Sprachprobe von 10–20 Sekunden. Die allgemeine Grenze beträgt 60 Sekunden und 10 MB; mindestens fünf Sekunden zusammenhängende Sprache sind erforderlich. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei einer Abtastrate von mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Die Sprachprobe soll eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale für die spätere Synthese zu erfassen. Die Steuerung der Darbietung und die Stimmnachbildung anhand einer Probe beschreiben unterschiedliche Seiten des Modells und können zur Vorbereitung der Vertonung eines Materials genutzt 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. abgerechnete Zeichen. Ein CJK-Ideogramm zählt als 2 abgerechnete Zeichen: $ 40.00 pro 1 Mio. Ideogramme. Gewichtung der übrigen Unicode-Zeichen: 1. Audioausgabe: $ 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 Clips, Hörbüchern und Sprachmaterialien. Unterstützt die Steuerung der Sprechweise und die Wahl einer fertigen oder nach einer Probe erstellten 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; Audio kann auch während der Synthese ausgegeben werden.
Die Darstellung lässt sich mit Anweisungen in natürlicher Sprache und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Ton, Charakter, Tempo, Lautstärke und Sprechstil. So kann die Wiedergabe derselben Phrase gelenkt werden: von ruhiger Erzählung bis zu einer energischeren oder emotionaleren Darbietung.
Die Ausdruckskraft hängt mit der gewählten Stimme und dem Textinhalt zusammen. Für eine zuverlässige Aussprache muss die Sprache des Materials zu den von der Stimme unterstützten Sprachen passen. Das Modell dient zur Vertonung geschriebener Inhalte; die Analyse eines Gesprächsinhalts und die Transkription einer Ausgangsaufnahme gehören zu anderen 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 einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn eine beständige Klangqualität benötigt wird.
Der Modus mit Sprachprobe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Diese Sprachunterstützung gehört zum entsprechenden Modus und gilt nicht automatisch für jede fertige Stimme.
Die Anforderungen an die Probe beziehen sich auf eine separate Methode zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Die vorbereitete Stimme muss zum gewählten Vertonungsmodell passen: Eine Stimme eines anderen Modells führt beim Hersteller zu einem Synthesefehler. Empfohlen wird eine saubere Sprachprobe von 10–20 Sekunden. Die allgemeine Grenze beträgt 60 Sekunden und 10 MB; mindestens fünf Sekunden zusammenhängende Sprache sind erforderlich. Unterstützt werden WAV mit 16-Bit-Darstellung, MP3 und M4A bei einer Abtastrate von mindestens 16 kHz. Ein oder zwei Kanäle sind zulässig; bei zwei Kanälen wird der erste verwendet.
Die Sprachprobe soll eine einzelne Stimme enthalten, ohne gleichzeitig sprechende Personen, Musik oder Gesang. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale für die spätere Synthese zu erfassen. Die Steuerung der Darbietung und die Stimmnachbildung anhand einer Probe beschreiben unterschiedliche Seiten des Modells und können zur Vorbereitung der Vertonung eines Materials genutzt 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. abgerechnete Zeichen. Ein CJK-Ideogramm zählt als 2 abgerechnete Zeichen: $ 40.00 pro 1 Mio. Ideogramme. Gewichtung der übrigen Unicode-Zeichen: 1. Audioausgabe: $ 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.