Το Qwen-Audio-3.0-TTS-Flash μετατρέπει ένα κείμενο που του παρέχετε σε ομιλία, με την έκδοση Flash να εστιάζει στην αλληλεπίδραση σε πραγματικό χρόνο. Η Qwen αναφέρει ως κύριες εφαρμογές του τους φωνητικούς βοηθούς, τον διαδραστικό διάλογο και την έξυπνη εξυπηρέτηση πελατών. Σε σύγκριση με την προηγούμενη έκδοση, ο κατασκευαστής περιγράφει ευρύτερη υποστήριξη γλωσσών με περιορισμένους διαθέσιμους πόρους και κινεζικών διαλέκτων, πιο αυθεντική απόδοση των διαλέκτων και ισχυρότερο έλεγχο του συναισθήματος, του τόνου, του χαρακτήρα, της ταχύτητας, της έντασης και του ύφους ομιλίας. Αναφέρει επίσης βελτιωμένη καθαρότητα και ανθεκτικότητα σε ακουστικές συνθήκες με θόρυβο ή αντήχηση. Πρόκειται για σύνθεση ήχου από κείμενο, όχι για αναγνώριση εισερχόμενης ομιλίας ή για μοντέλο φωνητικού διαλόγου.
Το Flash δίνει προτεραιότητα στην έναρξη της ομιλίας σε μια διαδραστική συνομιλία. Η Qwen αναφέρει καθυστέρηση του πρώτου πακέτου έως 200 χιλιοστά του δευτερολέπτου για τη σύνθεση αυτού του μοντέλου σε πραγματικό χρόνο· ο οδηγός χρήσης της επισημαίνει επίσης ότι η αρχική εγκατάσταση της σύνδεσης συμβάλλει στη μετρούμενη καθυστέρηση της πρώτης υποβολής. Προετοιμάστε χωριστά τις λέξεις που θα εκφωνηθούν και τον επιθυμητό τρόπο εκφοράς. Για μια απάντηση φωνητικού βοηθού, ένα ενδεικτικό αίτημα θα μπορούσε να συνδυάζει μια συνοπτική απάντηση με οδηγία για ήρεμη, καθαρή εκφορά. Το σχετικό αποτέλεσμα είναι η παραγόμενη ομιλία για αυτό το κείμενο, ενώ η εφαρμογή αναλαμβάνει την αναπαραγωγή και την υπόλοιπη συνομιλία.
Ο κατάλογος φωνών συστήματος του κατασκευαστή περιλαμβάνει επιλογές ειδικές για το μοντέλο, όπως τη Long An Feng Yue για φυσική, φιλική εκφορά και τη Long An Xiao Xin για φιλική, ζωηρή εκφορά, και τις δύο για μανδαρινικά και αγγλικά. Περιλαμβάνει επίσης αγγλόφωνες φωνές, όπως τη loongmary με βρετανική προφορά και τη loongjohn με αμερικανική προφορά και ήρεμο, φιλικό ύφος. Κάθε μοντέλο διαθέτει επιπλέον περισσότερες από 500 βασικές φωνές. Η Qwen συνιστά να ξεκινάτε από τις φωνές συστήματος για συνέπεια και να αξιολογείτε τα δείγματα προεπισκόπησης όταν επιλέγετε βασική φωνή. Η φωνή πρέπει να ανήκει στο επιλεγμένο μοντέλο και το κείμενο να χρησιμοποιεί γλώσσα που υποστηρίζει αυτή η φωνή.
Οι κλωνοποιημένες φωνές διευρύνουν το τεκμηριωμένο σύνολο γλωσσών σε κινεζικά, αγγλικά, ιαπωνικά, κορεατικά, ρωσικά, γαλλικά, γερμανικά, πορτογαλικά, ταϊλανδικά, ινδονησιακά, βιετναμικά, ισπανικά, ιταλικά, μαλαϊκά, φιλιππινικά και αραβικά. Η κινεζική κάλυψη περιλαμβάνει μανδαρινικά, καντονέζικα και τις ποικιλίες Chongqing, της βορειοανατολικής Κίνας, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, της Σαγκάης, Sichuan και Yunnan, με επιλογή διαλέκτου μέσω οδηγιών. Ο πίνακας μοντέλων αναφέρει την υποστήριξη κλωνοποίησης φωνής από δείγμα και τη διακρίνει από τη δημιουργία νέας φωνής αποκλειστικά από περιγραφή κειμένου, την οποία αυτή η έκδοση δεν υποστηρίζει.
Για την κλωνοποίηση, ο κατασκευαστής συνιστά ηχογράφηση 10–20 δευτερολέπτων, με μέγιστο τα 60 δευτερόλεπτα και μέγεθος αρχείου έως 10 MB. Οι υποστηριζόμενες μορφές αναφοράς είναι 16-bit WAV, MP3 και M4A, με συχνότητα δειγματοληψίας τουλάχιστον 16 kHz. Η ηχογράφηση χρειάζεται τουλάχιστον πέντε δευτερόλεπτα συνεχούς, καθαρής ομιλίας· οι υπόλοιπες παύσεις δεν πρέπει να ξεπερνούν τα δύο δευτερόλεπτα. Αποφύγετε ήχους περιβάλλοντος, άλλες φωνές και τραγούδι. Ο στερεοφωνικός ήχος γίνεται δεκτός, αλλά επεξεργάζεται μόνο το πρώτο κανάλι. Η ροή κλωνοποίησης επιστρέφει ένα αναγνωριστικό φωνής δεσμευμένο στο ακριβές μοντέλο-στόχο και η σύνθεση χρησιμοποιεί αυτό το αναγνωριστικό όταν η φωνή είναι έτοιμη. Η ίδια ηχογράφηση απαιτεί ξεχωριστές κλωνοποιημένες φωνές για Flash και Plus.
Οι οδηγίες σε φυσική γλώσσα ελέγχουν την εκφορά τόσο των φωνών συστήματος όσο και των κλωνοποιημένων φωνών. Περιγράψτε ακουστές ιδιότητες, όπως απαλό τόνο, καθαρή άρθρωση ή ελαφρώς πιο αργό ρυθμό. Οι ενσωματωμένες ετικέτες προσφέρουν διαφορετικό έλεγχο: η [empathetic] ή η [serious] ορίζει ύφος για το κείμενο που ακολουθεί, ενώ η [laughing] ή η [sighing] εισάγει ένα φωνητικό εφέ σε συγκεκριμένη θέση. Μια ετικέτα ελέγχου ισχύει μέχρι την επόμενη ετικέτα ελέγχου ή τον αυτόματο χωρισμό σε προτάσεις. Αυτές οι ετικέτες συναισθήματος και εμπλουτισμένης ομιλίας τεκμηριώνονται μόνο για μονοκατευθυντική συνεχή ροή και όχι για την αμφίδρομη λειτουργία εισαγωγής κειμένου. Προετοιμάστε μια εκφραστική φράση στη λειτουργία που είναι κατάλληλη για αυτούς τους ελέγχους.
Η διεπαφή ομιλίας του κατασκευαστή υποστηρίζει PCM, WAV, MP3 και Opus. Οι αναφερόμενες συχνότητες δειγματοληψίας είναι 8.000, 16.000, 22.050, 24.000, 44.100 και 48.000 Hz, με προεπιλογές MP3 και 22.050 Hz. Η ένταση κυμαίνεται από 0 έως 100· η ταχύτητα ομιλίας και το τονικό ύψος κυμαίνονται, το καθένα, από 0,5 έως 2,0. Τα MP3 και Opus παρέχουν επίσης ρύθμιση ρυθμού μετάδοσης από 6 έως 510 kbps. Επιλέξτε μορφή και συχνότητα δειγματοληψίας που ταιριάζουν στην προβλεπόμενη συσκευή αναπαραγωγής ή στη ροή επεξεργασίας. Για διαδραστικές εφαρμογές, ο κατασκευαστής τεκμηριώνει πλαίσια ηχητικών δεδομένων σε συνεχή ροή και μεταδεδομένα προτάσεων, με χρονικές σημάνσεις σε επίπεδο λέξης διαθέσιμες στην έξοδο συνεχούς ροής για τις συμβατές φωνές, συμπεριλαμβανομένων των κλωνοποιημένων.
Το τεκμηριωμένο πρωτόκολλο κειμένου WebSocket δέχεται έως 20.000 χαρακτήρες σε ένα μήνυμα κειμένου και συνολικά 200.000 χαρακτήρες σε μία εργασία, με διάστημα μεταξύ των υποβολών που δεν υπερβαίνει τα 23 δευτερόλεπτα. Αυτά είναι όρια του πρωτοκόλλου του κατασκευαστή, διαφορετικά από ένα καθολικό όριο διάρκειας της ηχητικής εξόδου του μοντέλου. Υποστηρίζει ακύρωση του τρέχοντος γύρου σύνθεσης και επόμενη εργασία στην ίδια σύνδεση. Κρατήστε τα τμήματα κειμένου στην προβλεπόμενη σειρά εκφώνησης και ολοκληρώστε την εισαγωγή όταν ολοκληρωθεί το κείμενο. Για την προετοιμασία της προφοράς, ο κατασκευαστής τεκμηριώνει υποδείξεις γλώσσας-στόχου, σημειώσεις σε pinyin και αντικαταστάσεις κειμένου, χρήσιμες όταν αριθμοί, συντομογραφίες ή σύμβολα εκφωνούνται με μη αναμενόμενο τρόπο.
Το SSML είναι ξεχωριστή επιλογή σήμανσης με προϋποθέσεις ως προς τη φωνή και τη λειτουργία αλληλεπίδρασης: η Qwen το τεκμηριώνει για κλωνοποιημένες φωνές, με κλήσεις χωρίς συνεχή ροή ή με μονοκατευθυντική συνεχή ροή, και μία μόνο υποβολή κειμένου όταν είναι ενεργοποιημένο το SSML. Δεν πρέπει να θεωρείται δεδομένο για κάθε προκαθορισμένη φωνή ή αμφίδρομη ροή. Για συνηθισμένο διάλογο, ξεκινήστε με συμβατή φωνή, καθαρό κείμενο προς εκφώνηση και συγκεκριμένη οδηγία εκφοράς· προσθέστε στοχευμένους ελέγχους προφοράς ή έκφρασης όπου το απαιτεί η εργασία. Έτσι το προφίλ Flash παραμένει εστιασμένο στην άμεσα αποκρινόμενη ομιλία από προετοιμασμένο κείμενο και όχι σε δυνατότητες άλλων μοντέλων ήχου της Qwen.
", "aboutText": "Το Qwen-Audio-3.0-TTS-Flash μετατρέπει ένα κείμενο που του παρέχετε σε ομιλία, με την έκδοση Flash να εστιάζει στην αλληλεπίδραση σε πραγματικό χρόνο. Η Qwen αναφέρει ως κύριες εφαρμογές του τους φωνητικούς βοηθούς, τον διαδραστικό διάλογο και την έξυπνη εξυπηρέτηση πελατών. Σε σύγκριση με την προηγούμενη έκδοση, ο κατασκευαστής περιγράφει ευρύτερη υποστήριξη γλωσσών με περιορισμένους διαθέσιμους πόρους και κινεζικών διαλέκτων, πιο αυθεντική απόδοση των διαλέκτων και ισχυρότερο έλεγχο του συναισθήματος, του τόνου, του χαρακτήρα, της ταχύτητας, της έντασης και του ύφους ομιλίας. Αναφέρει επίσης βελτιωμένη καθαρότητα και ανθεκτικότητα σε ακουστικές συνθήκες με θόρυβο ή αντήχηση. Πρόκειται για σύνθεση ήχου από κείμενο, όχι για αναγνώριση εισερχόμενης ομιλίας ή για μοντέλο φωνητικού διαλόγου.\n\nΤο Flash δίνει προτεραιότητα στην έναρξη της ομιλίας σε μια διαδραστική συνομιλία. Η Qwen αναφέρει καθυστέρηση του πρώτου πακέτου έως 200 χιλιοστά του δευτερολέπτου για τη σύνθεση αυτού του μοντέλου σε πραγματικό χρόνο· ο οδηγός χρήσης της επισημαίνει επίσης ότι η αρχική εγκατάσταση της σύνδεσης συμβάλλει στη μετρούμενη καθυστέρηση της πρώτης υποβολής. Προετοιμάστε χωριστά τις λέξεις που θα εκφωνηθούν και τον επιθυμητό τρόπο εκφοράς. Για μια απάντηση φωνητικού βοηθού, ένα ενδεικτικό αίτημα θα μπορούσε να συνδυάζει μια συνοπτική απάντηση με οδηγία για ήρεμη, καθαρή εκφορά. Το σχετικό αποτέλεσμα είναι η παραγόμενη ομιλία για αυτό το κείμενο, ενώ η εφαρμογή αναλαμβάνει την αναπαραγωγή και την υπόλοιπη συνομιλία.\n\nΟ κατάλογος φωνών συστήματος του κατασκευαστή περιλαμβάνει επιλογές ειδικές για το μοντέλο, όπως τη Long An Feng Yue για φυσική, φιλική εκφορά και τη Long An Xiao Xin για φιλική, ζωηρή εκφορά, και τις δύο για μανδαρινικά και αγγλικά. Περιλαμβάνει επίσης αγγλόφωνες φωνές, όπως τη loongmary με βρετανική προφορά και τη loongjohn με αμερικανική προφορά και ήρεμο, φιλικό ύφος. Κάθε μοντέλο διαθέτει επιπλέον περισσότερες από 500 βασικές φωνές. Η Qwen συνιστά να ξεκινάτε από τις φωνές συστήματος για συνέπεια και να αξιολογείτε τα δείγματα προεπισκόπησης όταν επιλέγετε βασική φωνή. Η φωνή πρέπει να ανήκει στο επιλεγμένο μοντέλο και το κείμενο να χρησιμοποιεί γλώσσα που υποστηρίζει αυτή η φωνή.\n\nΟι κλωνοποιημένες φωνές διευρύνουν το τεκμηριωμένο σύνολο γλωσσών σε κινεζικά, αγγλικά, ιαπωνικά, κορεατικά, ρωσικά, γαλλικά, γερμανικά, πορτογαλικά, ταϊλανδικά, ινδονησιακά, βιετναμικά, ισπανικά, ιταλικά, μαλαϊκά, φιλιππινικά και αραβικά. Η κινεζική κάλυψη περιλαμβάνει μανδαρινικά, καντονέζικα και τις ποικιλίες Chongqing, της βορειοανατολικής Κίνας, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, της Σαγκάης, Sichuan και Yunnan, με επιλογή διαλέκτου μέσω οδηγιών. Ο πίνακας μοντέλων αναφέρει την υποστήριξη κλωνοποίησης φωνής από δείγμα και τη διακρίνει από τη δημιουργία νέας φωνής αποκλειστικά από περιγραφή κειμένου, την οποία αυτή η έκδοση δεν υποστηρίζει.\n\nΓια την κλωνοποίηση, ο κατασκευαστής συνιστά ηχογράφηση 10–20 δευτερολέπτων, με μέγιστο τα 60 δευτερόλεπτα και μέγεθος αρχείου έως 10 MB. Οι υποστηριζόμενες μορφές αναφοράς είναι 16-bit WAV, MP3 και M4A, με συχνότητα δειγματοληψίας τουλάχιστον 16 kHz. Η ηχογράφηση χρειάζεται τουλάχιστον πέντε δευτερόλεπτα συνεχούς, καθαρής ομιλίας· οι υπόλοιπες παύσεις δεν πρέπει να ξεπερνούν τα δύο δευτερόλεπτα. Αποφύγετε ήχους περιβάλλοντος, άλλες φωνές και τραγούδι. Ο στερεοφωνικός ήχος γίνεται δεκτός, αλλά επεξεργάζεται μόνο το πρώτο κανάλι. Η ροή κλωνοποίησης επιστρέφει ένα αναγνωριστικό φωνής δεσμευμένο στο ακριβές μοντέλο-στόχο και η σύνθεση χρησιμοποιεί αυτό το αναγνωριστικό όταν η φωνή είναι έτοιμη. Η ίδια ηχογράφηση απαιτεί ξεχωριστές κλωνοποιημένες φωνές για Flash και Plus.\n\nΟι οδηγίες σε φυσική γλώσσα ελέγχουν την εκφορά τόσο των φωνών συστήματος όσο και των κλωνοποιημένων φωνών. Περιγράψτε ακουστές ιδιότητες, όπως απαλό τόνο, καθαρή άρθρωση ή ελαφρώς πιο αργό ρυθμό. Οι ενσωματωμένες ετικέτες προσφέρουν διαφορετικό έλεγχο: η [empathetic] ή η [serious] ορίζει ύφος για το κείμενο που ακολουθεί, ενώ η [laughing] ή η [sighing] εισάγει ένα φωνητικό εφέ σε συγκεκριμένη θέση. Μια ετικέτα ελέγχου ισχύει μέχρι την επόμενη ετικέτα ελέγχου ή τον αυτόματο χωρισμό σε προτάσεις. Αυτές οι ετικέτες συναισθήματος και εμπλουτισμένης ομιλίας τεκμηριώνονται μόνο για μονοκατευθυντική συνεχή ροή και όχι για την αμφίδρομη λειτουργία εισαγωγής κειμένου. Προετοιμάστε μια εκφραστική φράση στη λειτουργία που είναι κατάλληλη για αυτούς τους ελέγχους.\n\nΗ διεπαφή ομιλίας του κατασκευαστή υποστηρίζει PCM, WAV, MP3 και Opus. Οι αναφερόμενες συχνότητες δειγματοληψίας είναι 8.000, 16.000, 22.050, 24.000, 44.100 και 48.000 Hz, με προεπιλογές MP3 και 22.050 Hz. Η ένταση κυμαίνεται από 0 έως 100· η ταχύτητα ομιλίας και το τονικό ύψος κυμαίνονται, το καθένα, από 0,5 έως 2,0. Τα MP3 και Opus παρέχουν επίσης ρύθμιση ρυθμού μετάδοσης από 6 έως 510 kbps. Επιλέξτε μορφή και συχνότητα δειγματοληψίας που ταιριάζουν στην προβλεπόμενη συσκευή αναπαραγωγής ή στη ροή επεξεργασίας. Για διαδραστικές εφαρμογές, ο κατασκευαστής τεκμηριώνει πλαίσια ηχητικών δεδομένων σε συνεχή ροή και μεταδεδομένα προτάσεων, με χρονικές σημάνσεις σε επίπεδο λέξης διαθέσιμες στην έξοδο συνεχούς ροής για τις συμβατές φωνές, συμπεριλαμβανομένων των κλωνοποιημένων.\n\nΤο τεκμηριωμένο πρωτόκολλο κειμένου WebSocket δέχεται έως 20.000 χαρακτήρες σε ένα μήνυμα κειμένου και συνολικά 200.000 χαρακτήρες σε μία εργασία, με διάστημα μεταξύ των υποβολών που δεν υπερβαίνει τα 23 δευτερόλεπτα. Αυτά είναι όρια του πρωτοκόλλου του κατασκευαστή, διαφορετικά από ένα καθολικό όριο διάρκειας της ηχητικής εξόδου του μοντέλου. Υποστηρίζει ακύρωση του τρέχοντος γύρου σύνθεσης και επόμενη εργασία στην ίδια σύνδεση. Κρατήστε τα τμήματα κειμένου στην προβλεπόμενη σειρά εκφώνησης και ολοκληρώστε την εισαγωγή όταν ολοκληρωθεί το κείμενο. Για την προετοιμασία της προφοράς, ο κατασκευαστής τεκμηριώνει υποδείξεις γλώσσας-στόχου, σημειώσεις σε pinyin και αντικαταστάσεις κειμένου, χρήσιμες όταν αριθμοί, συντομογραφίες ή σύμβολα εκφωνούνται με μη αναμενόμενο τρόπο.\n\nΤο SSML είναι ξεχωριστή επιλογή σήμανσης με προϋποθέσεις ως προς τη φωνή και τη λειτουργία αλληλεπίδρασης: η Qwen το τεκμηριώνει για κλωνοποιημένες φωνές, με κλήσεις χωρίς συνεχή ροή ή με μονοκατευθυντική συνεχή ροή, και μία μόνο υποβολή κειμένου όταν είναι ενεργοποιημένο το SSML. Δεν πρέπει να θεωρείται δεδομένο για κάθε προκαθορισμένη φωνή ή αμφίδρομη ροή. Για συνηθισμένο διάλογο, ξεκινήστε με συμβατή φωνή, καθαρό κείμενο προς εκφώνηση και συγκεκριμένη οδηγία εκφοράς· προσθέστε στοχευμένους ελέγχους προφοράς ή έκφρασης όπου το απαιτεί η εργασία. Έτσι το προφίλ Flash παραμένει εστιασμένο στην άμεσα αποκρινόμενη ομιλία από προετοιμασμένο κείμενο και όχι σε δυνατότητες άλλων μοντέλων ήχου της Qwen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e8df3352957df612b3fe8234bf8d412797ca77baecdfa600cae288f4b737bc94", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "qwen/qwen-audio-3.0-tts-flashΤο Qwen-Audio-3.0-TTS-Flash είναι το μοντέλο μετατροπής κειμένου σε ομιλία της Qwen, με έμφαση στους φωνητικούς βοηθούς που αποκρίνονται άμεσα και στον διαδραστικό διάλογο. Συνδυάζει σύνθεση με συνεχή ροή, προκαθορισμένες ή κλωνοποιημένες φωνές ειδικές για το μοντέλο και οδηγίες ή ετικέτες για εκφραστική ομιλία.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Qwen-Audio-3.0-TTS-Flash μετατρέπει ένα κείμενο που του παρέχετε σε ομιλία, με την έκδοση Flash να εστιάζει στην αλληλεπίδραση σε πραγματικό χρόνο. Η Qwen αναφέρει ως κύριες εφαρμογές του τους φωνητικούς βοηθούς, τον διαδραστικό διάλογο και την έξυπνη εξυπηρέτηση πελατών. Σε σύγκριση με την προηγούμενη έκδοση, ο κατασκευαστής περιγράφει ευρύτερη υποστήριξη γλωσσών με περιορισμένους διαθέσιμους πόρους και κινεζικών διαλέκτων, πιο αυθεντική απόδοση των διαλέκτων και ισχυρότερο έλεγχο του συναισθήματος, του τόνου, του χαρακτήρα, της ταχύτητας, της έντασης και του ύφους ομιλίας. Αναφέρει επίσης βελτιωμένη καθαρότητα και ανθεκτικότητα σε ακουστικές συνθήκες με θόρυβο ή αντήχηση. Πρόκειται για σύνθεση ήχου από κείμενο, όχι για αναγνώριση εισερχόμενης ομιλίας ή για μοντέλο φωνητικού διαλόγου.
Το Flash δίνει προτεραιότητα στην έναρξη της ομιλίας σε μια διαδραστική συνομιλία. Η Qwen αναφέρει καθυστέρηση του πρώτου πακέτου έως 200 χιλιοστά του δευτερολέπτου για τη σύνθεση αυτού του μοντέλου σε πραγματικό χρόνο· ο οδηγός χρήσης της επισημαίνει επίσης ότι η αρχική εγκατάσταση της σύνδεσης συμβάλλει στη μετρούμενη καθυστέρηση της πρώτης υποβολής. Προετοιμάστε χωριστά τις λέξεις που θα εκφωνηθούν και τον επιθυμητό τρόπο εκφοράς. Για μια απάντηση φωνητικού βοηθού, ένα ενδεικτικό αίτημα θα μπορούσε να συνδυάζει μια συνοπτική απάντηση με οδηγία για ήρεμη, καθαρή εκφορά. Το σχετικό αποτέλεσμα είναι η παραγόμενη ομιλία για αυτό το κείμενο, ενώ η εφαρμογή αναλαμβάνει την αναπαραγωγή και την υπόλοιπη συνομιλία.
Ο κατάλογος φωνών συστήματος του κατασκευαστή περιλαμβάνει επιλογές ειδικές για το μοντέλο, όπως τη Long An Feng Yue για φυσική, φιλική εκφορά και τη Long An Xiao Xin για φιλική, ζωηρή εκφορά, και τις δύο για μανδαρινικά και αγγλικά. Περιλαμβάνει επίσης αγγλόφωνες φωνές, όπως τη loongmary με βρετανική προφορά και τη loongjohn με αμερικανική προφορά και ήρεμο, φιλικό ύφος. Κάθε μοντέλο διαθέτει επιπλέον περισσότερες από 500 βασικές φωνές. Η Qwen συνιστά να ξεκινάτε από τις φωνές συστήματος για συνέπεια και να αξιολογείτε τα δείγματα προεπισκόπησης όταν επιλέγετε βασική φωνή. Η φωνή πρέπει να ανήκει στο επιλεγμένο μοντέλο και το κείμενο να χρησιμοποιεί γλώσσα που υποστηρίζει αυτή η φωνή.
Οι κλωνοποιημένες φωνές διευρύνουν το τεκμηριωμένο σύνολο γλωσσών σε κινεζικά, αγγλικά, ιαπωνικά, κορεατικά, ρωσικά, γαλλικά, γερμανικά, πορτογαλικά, ταϊλανδικά, ινδονησιακά, βιετναμικά, ισπανικά, ιταλικά, μαλαϊκά, φιλιππινικά και αραβικά. Η κινεζική κάλυψη περιλαμβάνει μανδαρινικά, καντονέζικα και τις ποικιλίες Chongqing, της βορειοανατολικής Κίνας, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, της Σαγκάης, Sichuan και Yunnan, με επιλογή διαλέκτου μέσω οδηγιών. Ο πίνακας μοντέλων αναφέρει την υποστήριξη κλωνοποίησης φωνής από δείγμα και τη διακρίνει από τη δημιουργία νέας φωνής αποκλειστικά από περιγραφή κειμένου, την οποία αυτή η έκδοση δεν υποστηρίζει.
Για την κλωνοποίηση, ο κατασκευαστής συνιστά ηχογράφηση 10–20 δευτερολέπτων, με μέγιστο τα 60 δευτερόλεπτα και μέγεθος αρχείου έως 10 MB. Οι υποστηριζόμενες μορφές αναφοράς είναι 16-bit WAV, MP3 και M4A, με συχνότητα δειγματοληψίας τουλάχιστον 16 kHz. Η ηχογράφηση χρειάζεται τουλάχιστον πέντε δευτερόλεπτα συνεχούς, καθαρής ομιλίας· οι υπόλοιπες παύσεις δεν πρέπει να ξεπερνούν τα δύο δευτερόλεπτα. Αποφύγετε ήχους περιβάλλοντος, άλλες φωνές και τραγούδι. Ο στερεοφωνικός ήχος γίνεται δεκτός, αλλά επεξεργάζεται μόνο το πρώτο κανάλι. Η ροή κλωνοποίησης επιστρέφει ένα αναγνωριστικό φωνής δεσμευμένο στο ακριβές μοντέλο-στόχο και η σύνθεση χρησιμοποιεί αυτό το αναγνωριστικό όταν η φωνή είναι έτοιμη. Η ίδια ηχογράφηση απαιτεί ξεχωριστές κλωνοποιημένες φωνές για Flash και Plus.
Οι οδηγίες σε φυσική γλώσσα ελέγχουν την εκφορά τόσο των φωνών συστήματος όσο και των κλωνοποιημένων φωνών. Περιγράψτε ακουστές ιδιότητες, όπως απαλό τόνο, καθαρή άρθρωση ή ελαφρώς πιο αργό ρυθμό. Οι ενσωματωμένες ετικέτες προσφέρουν διαφορετικό έλεγχο: η [empathetic] ή η [serious] ορίζει ύφος για το κείμενο που ακολουθεί, ενώ η [laughing] ή η [sighing] εισάγει ένα φωνητικό εφέ σε συγκεκριμένη θέση. Μια ετικέτα ελέγχου ισχύει μέχρι την επόμενη ετικέτα ελέγχου ή τον αυτόματο χωρισμό σε προτάσεις. Αυτές οι ετικέτες συναισθήματος και εμπλουτισμένης ομιλίας τεκμηριώνονται μόνο για μονοκατευθυντική συνεχή ροή και όχι για την αμφίδρομη λειτουργία εισαγωγής κειμένου. Προετοιμάστε μια εκφραστική φράση στη λειτουργία που είναι κατάλληλη για αυτούς τους ελέγχους.
Η διεπαφή ομιλίας του κατασκευαστή υποστηρίζει PCM, WAV, MP3 και Opus. Οι αναφερόμενες συχνότητες δειγματοληψίας είναι 8.000, 16.000, 22.050, 24.000, 44.100 και 48.000 Hz, με προεπιλογές MP3 και 22.050 Hz. Η ένταση κυμαίνεται από 0 έως 100· η ταχύτητα ομιλίας και το τονικό ύψος κυμαίνονται, το καθένα, από 0,5 έως 2,0. Τα MP3 και Opus παρέχουν επίσης ρύθμιση ρυθμού μετάδοσης από 6 έως 510 kbps. Επιλέξτε μορφή και συχνότητα δειγματοληψίας που ταιριάζουν στην προβλεπόμενη συσκευή αναπαραγωγής ή στη ροή επεξεργασίας. Για διαδραστικές εφαρμογές, ο κατασκευαστής τεκμηριώνει πλαίσια ηχητικών δεδομένων σε συνεχή ροή και μεταδεδομένα προτάσεων, με χρονικές σημάνσεις σε επίπεδο λέξης διαθέσιμες στην έξοδο συνεχούς ροής για τις συμβατές φωνές, συμπεριλαμβανομένων των κλωνοποιημένων.
Το τεκμηριωμένο πρωτόκολλο κειμένου WebSocket δέχεται έως 20.000 χαρακτήρες σε ένα μήνυμα κειμένου και συνολικά 200.000 χαρακτήρες σε μία εργασία, με διάστημα μεταξύ των υποβολών που δεν υπερβαίνει τα 23 δευτερόλεπτα. Αυτά είναι όρια του πρωτοκόλλου του κατασκευαστή, διαφορετικά από ένα καθολικό όριο διάρκειας της ηχητικής εξόδου του μοντέλου. Υποστηρίζει ακύρωση του τρέχοντος γύρου σύνθεσης και επόμενη εργασία στην ίδια σύνδεση. Κρατήστε τα τμήματα κειμένου στην προβλεπόμενη σειρά εκφώνησης και ολοκληρώστε την εισαγωγή όταν ολοκληρωθεί το κείμενο. Για την προετοιμασία της προφοράς, ο κατασκευαστής τεκμηριώνει υποδείξεις γλώσσας-στόχου, σημειώσεις σε pinyin και αντικαταστάσεις κειμένου, χρήσιμες όταν αριθμοί, συντομογραφίες ή σύμβολα εκφωνούνται με μη αναμενόμενο τρόπο.
Το SSML είναι ξεχωριστή επιλογή σήμανσης με προϋποθέσεις ως προς τη φωνή και τη λειτουργία αλληλεπίδρασης: η Qwen το τεκμηριώνει για κλωνοποιημένες φωνές, με κλήσεις χωρίς συνεχή ροή ή με μονοκατευθυντική συνεχή ροή, και μία μόνο υποβολή κειμένου όταν είναι ενεργοποιημένο το SSML. Δεν πρέπει να θεωρείται δεδομένο για κάθε προκαθορισμένη φωνή ή αμφίδρομη ροή. Για συνηθισμένο διάλογο, ξεκινήστε με συμβατή φωνή, καθαρό κείμενο προς εκφώνηση και συγκεκριμένη οδηγία εκφοράς· προσθέστε στοχευμένους ελέγχους προφοράς ή έκφρασης όπου το απαιτεί η εργασία. Έτσι το προφίλ Flash παραμένει εστιασμένο στην άμεσα αποκρινόμενη ομιλία από προετοιμασμένο κείμενο και όχι σε δυνατότητες άλλων μοντέλων ήχου της Qwen.
POST /v1/audio/speechtextaudio| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια qwen/qwen-audio-3.0-tts-flash | Προεπιλογή— |
Πεδίοinput | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο μήκος: 1 Μονάδα: χαρακτήρες Unicode | Προεπιλογή— |
Πεδίοvoice | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια loongjohn, longanhuan_v3.6 | Προεπιλογή— |
Πεδίοresponse_format | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια mp3 | Προεπιλογή— |
text_to_speech · Υποχρεωτικό: input
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input, voice, response_format |
Παράμετροςvoice_ids | Σύμβασηloongjohn, longanhuan_v3.6 |
Παράμετροςresponse_format | Σύμβασηmp3 |
Παράμετροςmax_input_characters | Σύμβασηnull |
Παράμετροςother_options | Σύμβασηfalse |
Παράμετροςinput | Σύμβασηακριβές κείμενο UTF-8· πλήθος χαρακτήρων Unicode χωρίς κανονικοποίηση |
Παράμετροςmaterial_types | Σύμβασηtext |
Κύκλος ζωής: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Επιλέξτε την ακριβή φωνή από αυτό το προφίλ μοντέλου.
Οι χαρακτήρες εισόδου και τα δευτερόλεπτα ήχου αποτελούν διαφορετικές μονάδες μέτρησης.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρεώσιμη ποσότητα | Μονάδα τιμολόγησης | Χρέωση |
|---|---|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις token | Πίνακας χρεώσεωνΒασική χρέωση | Χρεώσιμη ποσότητα— | Μονάδα τιμολόγησης— | Χρέωση Είσοδος · Token εισόδου — / 1K token Έξοδος · Token εξόδου — / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
| ΔιαμόρφωσηUltra | Πίνακας χρεώσεων— | Χρεώσιμη ποσότηταΚάθε σημείο κώδικα Unicode μετρά ως ένας χαρακτήρας, συμπεριλαμβανομένων των χαρακτήρων Han. | Μονάδα τιμολόγησηςανά 1K χαρακτήρες εισόδου | Χρέωση Είσοδος · χαρακτήρας εισόδου $0.03 ανά 1K χαρακτήρες εισόδου |
Οι πίνακες αναφοράς του μοντέλου δεν αλλάζουν την επιλογή μεθόδου, τις εκτιμήσεις τιμής ή τις χρεώσεις. Οι εφαρμοζόμενες χρεώσεις χρησιμοποιούν τις τιμές της επιλεγμένης μεθόδου Ailoot.
| Διαμόρφωση | Συνθήκες χρέωσης | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηQwen: Qwen-Audio-3.0-TTS Flash · Προεπιλεγμένη διαμόρφωση | Συνθήκες χρέωσηςΠροεπιλεγμένη διαμόρφωση | Χρέωση Είσοδος · Χαρακτήρες εισόδου 0,00003 $ ανά χαρακτήρα εισόδου |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-audio-3.0-tts-flash", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["loongjohn", "longanhuan_v3.6"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nΔιατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε ολόκληρο το δυαδικό αποτέλεσμα και τις κεφαλίδες. Αν επιστραφεί JSON ή επιστραφούν πολλαπλές έξοδοι, διατηρήστε κάθε στοιχείο δεδομένων και ανακτήστε κάθε πραγματικό υπογεγραμμένο URL πόρου.
Διατηρήστε το αρχικό operation_id/X-Client-Request-ID για τη συμφωνία των εγγραφών χωρίς νέα υποβολή· δεν υπάρχει ειδική διαδρομή περιοδικού ελέγχου για τον ήχο.
| Πεδίο | Τύπος |
|---|---|
Πεδίοbinary audio | Τύποςbytes |
Πεδίοresponse headers | Τύποςheaders |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Απάντησηserver_error | ΣυνθήκηΗ απόκριση που επιστράφηκε αναφέρει ότι η λειτουργία ή το αποτέλεσμα χρειάζεται έλεγχο | Επόμενο βήμαΔιατηρήστε το αρχικό ID της λειτουργίας/εργασίας που επιστράφηκε, τις κεφαλίδες του αιτήματος και την απόκριση· συνεχίστε με τις υποστηριζόμενες αναγνώσεις αυτής της αρχικής λειτουργίας. Μην υποβάλετε ξανά το αίτημα δημιουργίας. |
Ailoot Ultra qwen/qwen-audio-3.0-tts-flash
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.