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 Synthese wird unterstützt.
Die Gestaltung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. Dadurch kann die Wiedergabe desselben Satzes gesteuert werden: von ruhigem Erzählen 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 von der Stimme unterstützten Sprachen passen. Das Modell dient der Vertonung geschriebenen Materials; die Analyse der Gesprächsbedeutung und die Transkription einer Ausgangsaufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine lebhafte männliche Stimme. Sie unterstützen Chinesisch und Englisch. Darüber hinaus sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein stabiler Klang benötigt wird.
Die Stimme anhand einer Probe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit des entsprechenden Modus; sie gilt nicht automatisch für jede vorhandene Stimme.
Die Anforderungen an die Probe gehören zu einem separaten Verfahren zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese 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 liegt bei 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden zusammenhängende Sprache. 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 jedoch der erste verwendet.
Die Sprachprobe muss eine einzelne Stimme ohne gleichzeitig sprechende Personen, Musik oder Gesang wiedergeben. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale zu erfassen, die für die spätere Synthese benötigt werden. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Probe beschreiben unterschiedliche Seiten der Modellarbeit und können zur Vorbereitung des Klangs desselben Materials verwendet 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 Synthese wird unterstützt.\n\n### Sprechweise als Teil der Vorgabe\n\nDie Gestaltung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. Dadurch kann die Wiedergabe desselben Satzes gesteuert werden: von ruhigem Erzählen 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 von der Stimme unterstützten Sprachen passen. Das Modell dient der Vertonung geschriebenen Materials; die Analyse der Gesprächsbedeutung und die Transkription einer Ausgangsaufnahme sind andere Audioaufgaben.\n\n### Vorhandene Stimme und Stimme anhand einer Probe\n\nEs gibt zwei Systemstimmen: eine warme weibliche und eine lebhafte männliche Stimme. Sie unterstützen Chinesisch und Englisch. Darüber hinaus sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein stabiler Klang benötigt wird.\n\nDie Stimme anhand einer Probe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit des entsprechenden Modus; sie gilt nicht automatisch für jede vorhandene Stimme.\n\nDie Anforderungen an die Probe gehören zu einem separaten Verfahren zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese 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 liegt bei 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden zusammenhängende Sprache. 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 jedoch der erste verwendet.\n\nDie Sprachprobe muss eine einzelne Stimme ohne gleichzeitig sprechende Personen, Musik oder Gesang wiedergeben. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale zu erfassen, die für die spätere Synthese benötigt werden. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Probe beschreiben unterschiedliche Seiten der Modellarbeit und können zur Vorbereitung des Klangs desselben Materials verwendet werden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "511deba34596f62defd2bcfc5d4ef346d50342a2734fedd311e94cea263d530a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "qwen-audio-3.0-tts-plusModell für ausdrucksstarke Textvertonung in Videos, Hörbüchern und Sprachmaterialien. Unterstützt die Steuerung der Sprechweise sowie die Auswahl einer vorhandenen oder anhand einer Sprachprobe 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 Synthese wird unterstützt.
Die Gestaltung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. Dadurch kann die Wiedergabe desselben Satzes gesteuert werden: von ruhigem Erzählen 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 von der Stimme unterstützten Sprachen passen. Das Modell dient der Vertonung geschriebenen Materials; die Analyse der Gesprächsbedeutung und die Transkription einer Ausgangsaufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine lebhafte männliche Stimme. Sie unterstützen Chinesisch und Englisch. Darüber hinaus sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein stabiler Klang benötigt wird.
Die Stimme anhand einer Probe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit des entsprechenden Modus; sie gilt nicht automatisch für jede vorhandene Stimme.
Die Anforderungen an die Probe gehören zu einem separaten Verfahren zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese 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 liegt bei 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden zusammenhängende Sprache. 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 jedoch der erste verwendet.
Die Sprachprobe muss eine einzelne Stimme ohne gleichzeitig sprechende Personen, Musik oder Gesang wiedergeben. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale zu erfassen, die für die spätere Synthese benötigt werden. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Probe beschreiben unterschiedliche Seiten der Modellarbeit und können zur Vorbereitung des Klangs desselben Materials verwendet 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/speech20,00 $ pro 1 Mio. Zeicheneinheiten für die Abrechnung. Ein CJK-Ideogramm zählt als 2 Zeicheneinheiten für die Abrechnung: 40,00 $ pro 1 Mio. Ideogramme. Gewichtung 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 Format 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 der Sprechweise sowie die Auswahl einer vorhandenen oder anhand einer Sprachprobe 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 Synthese wird unterstützt.
Die Gestaltung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. Dadurch kann die Wiedergabe desselben Satzes gesteuert werden: von ruhigem Erzählen 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 von der Stimme unterstützten Sprachen passen. Das Modell dient der Vertonung geschriebenen Materials; die Analyse der Gesprächsbedeutung und die Transkription einer Ausgangsaufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine lebhafte männliche Stimme. Sie unterstützen Chinesisch und Englisch. Darüber hinaus sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein stabiler Klang benötigt wird.
Die Stimme anhand einer Probe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit des entsprechenden Modus; sie gilt nicht automatisch für jede vorhandene Stimme.
Die Anforderungen an die Probe gehören zu einem separaten Verfahren zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese 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 liegt bei 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden zusammenhängende Sprache. 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 jedoch der erste verwendet.
Die Sprachprobe muss eine einzelne Stimme ohne gleichzeitig sprechende Personen, Musik oder Gesang wiedergeben. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale zu erfassen, die für die spätere Synthese benötigt werden. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Probe beschreiben unterschiedliche Seiten der Modellarbeit und können zur Vorbereitung des Klangs desselben Materials verwendet 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/speech20,00 $ pro 1 Mio. Zeicheneinheiten für die Abrechnung. Ein CJK-Ideogramm zählt als 2 Zeicheneinheiten für die Abrechnung: 40,00 $ pro 1 Mio. Ideogramme. Gewichtung 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 Format 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 der Sprechweise sowie die Auswahl einer vorhandenen oder anhand einer Sprachprobe 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 Synthese wird unterstützt.
Die Gestaltung lässt sich mit natürlichsprachlichen Anweisungen und detaillierten Steuerungsmarkierungen festlegen. Sie bestimmen Emotion, Tonfall, Charakter, Tempo, Lautstärke und Sprechstil. Dadurch kann die Wiedergabe desselben Satzes gesteuert werden: von ruhigem Erzählen 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 von der Stimme unterstützten Sprachen passen. Das Modell dient der Vertonung geschriebenen Materials; die Analyse der Gesprächsbedeutung und die Transkription einer Ausgangsaufnahme sind andere Audioaufgaben.
Es gibt zwei Systemstimmen: eine warme weibliche und eine lebhafte männliche Stimme. Sie unterstützen Chinesisch und Englisch. Darüber hinaus sind mehr als 500 Basisstimmen und die Nachbildung einer Stimme anhand einer Sprachprobe vorgesehen. Der Hersteller empfiehlt die Systemvarianten, wenn ein stabiler Klang benötigt wird.
Die Stimme anhand einer Probe unterstützt Chinesisch mit regionalen Aussprachevarianten, Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Portugiesisch, Thailändisch, Indonesisch, Vietnamesisch, Italienisch, Spanisch, Malaiisch, Filipino und Arabisch. Das ist eine Sprachfähigkeit des entsprechenden Modus; sie gilt nicht automatisch für jede vorhandene Stimme.
Die Anforderungen an die Probe gehören zu einem separaten Verfahren zur Stimmerstellung beim Hersteller; bei der Sprachsynthese wird eine bereits vorbereitete Stimme verwendet. Diese 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 liegt bei 60 Sekunden und 10 MB; erforderlich sind mindestens fünf Sekunden zusammenhängende Sprache. 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 jedoch der erste verwendet.
Die Sprachprobe muss eine einzelne Stimme ohne gleichzeitig sprechende Personen, Musik oder Gesang wiedergeben. Nach den Herstelleranforderungen dürfen kurze Pausen in der Probe höchstens zwei Sekunden dauern. Das hilft, Klangfarbe und Aussprachemerkmale zu erfassen, die für die spätere Synthese benötigt werden. Die Steuerung der Darbietung und die Nachbildung einer Stimme anhand einer Probe beschreiben unterschiedliche Seiten der Modellarbeit und können zur Vorbereitung des Klangs desselben Materials verwendet 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/speech20,00 $ pro 1 Mio. Zeicheneinheiten für die Abrechnung. Ein CJK-Ideogramm zählt als 2 Zeicheneinheiten für die Abrechnung: 40,00 $ pro 1 Mio. Ideogramme. Gewichtung 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 Format 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.