Qwen-Audio-3.0-TTS-Plus convierte texto escrito en voz expresiva, con la edición Plus centrada en calidad de síntesis, naturalidad y una interpretación vocal detallada. Qwen señala la creación de contenido, los audiolibros, el doblaje de películas y videos y la producción profesional de voz como sus principales aplicaciones. El perfil actualizado describe una compatibilidad más amplia con idiomas de pocos recursos y dialectos chinos, mayor autenticidad dialectal y un control más fuerte de emoción, tono, personaje, velocidad de habla, volumen y estilo. El productor también indica mejoras de claridad, resolución y robustez en condiciones acústicas con ruido o reverberación.
Plus es la edición de esta familia de texto a voz centrada en la calidad; Flash se posiciona por separado para interacción en tiempo real. Prepara una narración como un guion hablado, identificando el público previsto, el ritmo y la dirección emocional. Para un pasaje de audiolibro, un encargo ilustrativo puede pedir articulación clara, ritmo pausado y calidez contenida; para la voz de un video, puede solicitar una apertura seria seguida de una explicación más enérgica. Son decisiones de interpretación de las palabras proporcionadas. El modelo es un sintetizador de voz, no un servicio de transcripción ni un generador de una escena visual completa.
Las voces de sistema oficiales de Plus incluyen Long An Ling Xin, descrita como cálida y empática, y Long An Lu Feng, descrita como luminosa y alegre. Ambas figuran para mandarín e inglés. El productor también proporciona más de 500 voces base para esta edición, con muestras que pueden evaluarse antes de elegir una. Recomienda voces de sistema para una síntesis más consistente. Selecciona una voz de la lista exacta de Plus y ajusta el idioma del guion a los idiomas que admite; una voz de Flash no es intercambiable solo por pertenecer a la misma familia general.
El modelo admite clonación de voz basada en muestras. Los idiomas documentados para voces clonadas incluyen chino, inglés, japonés, coreano, ruso, francés, alemán, portugués, tailandés, indonesio, vietnamita, español, italiano, malayo, filipino y árabe. Las variantes chinas incluyen mandarín, cantonés, Chongqing, nororiental, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghainés, Sichuan y Yunnan, con los dialectos controlados mediante instrucciones. La tabla del productor distingue la clonación de la creación de una voz a partir de una descripción textual: Plus admite clonación, pero no ese modo independiente de diseño de voz.
Una referencia de clonación adecuada es habla clara a velocidad normal, sin música, ruido de fondo, otros hablantes o canto. El productor recomienda 10–20 segundos y permite hasta 60 segundos, en un archivo de un máximo de 10 MB. Los formatos de referencia son WAV de 16 bits, MP3 y M4A, con una frecuencia de muestreo mínima de 16 kHz. Se necesitan al menos cinco segundos continuos de habla clara, y las demás pausas deberían durar como máximo dos segundos. En estéreo, solo se procesa el primer canal. El identificador de voz creado queda vinculado a Plus y se utiliza para síntesis cuando está listo; reproducir la misma referencia mediante Flash requiere una voz de Flash creada por separado.
Las instrucciones en lenguaje natural pueden dar forma al tono, ritmo, emoción y timbre de las voces de sistema y clonadas. Utiliza descripciones audibles concretas, en lugar de una petición vaga de una buena voz. Las etiquetas de emoción insertadas en el texto pueden establecer un estilo dentro del guion, y las etiquetas de lenguaje expresivo pueden insertar un efecto vocal en un punto elegido. Por ejemplo, [serious] cambia la interpretación posterior, mientras que [sighing] inserta un suspiro sin cambiar el estilo emocional circundante. Las etiquetas de control se aplican hasta la siguiente etiqueta de control o la segmentación automática de oraciones. Esta función basada en etiquetas solo está documentada para streaming unidireccional, por lo que tiene un alcance distinto de las instrucciones utilizadas con entrada textual bidireccional.
Las opciones de salida del productor son PCM, WAV, MP3 y Opus, con frecuencias de muestreo enumeradas de 8,000, 16,000, 22,050, 24,000, 44,100 y 48,000 Hz. MP3 y 22,050 Hz son los valores predeterminados documentados. El volumen puede establecerse de 0 a 100, y la velocidad y el tono de 0,5 a 2,0; MP3 y Opus también permiten una tasa de bits de 6 a 510 kbps. Elige la representación necesaria para reproducir o editar y mantén después esos ajustes constantes entre las secciones de una pieza más larga. La salida en streaming incluye tramas de audio y metadatos de oraciones, con marcas temporales por palabra disponibles para las voces elegibles, incluidas las clonadas.
El flujo de entrada textual WebSocket documentado permite 20,000 caracteres por mensaje y 200,000 caracteres acumulados y exige un intervalo de envío no superior a 23 segundos. Puede recibir un guion completo o segmentos de texto ordenados y finalizar cuando se complete la entrada. El productor también documenta la cancelación del turno de síntesis actual. Son límites y comportamientos de ese protocolo, no un límite universal de duración generada. Para una narración larga, organiza el guion en secciones coherentes y conserva su orden y texto junto al audio resultante para que la pieza pueda montarse y revisarse de forma consistente.
Para pronunciación, el productor proporciona indicaciones del idioma de destino, anotaciones pinyin y sustituciones textuales para corregir lecturas no deseadas de cifras, abreviaturas, símbolos o palabras. SSML es un modo de marcado independiente con condiciones de elegibilidad: la documentación de Qwen lo admite para voces clonadas en llamadas sin streaming o con streaming unidireccional, con un solo envío de texto cuando está activado. No establece SSML para todas las voces de sistema ni para streaming bidireccional. Un flujo práctico de Plus empieza con una voz compatible y un guion terminado y añade después decisiones precisas de interpretación y pronunciación para el pasaje narrado.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus convierte texto escrito en voz expresiva, con la edición Plus centrada en calidad de síntesis, naturalidad y una interpretación vocal detallada. Qwen señala la creación de contenido, los audiolibros, el doblaje de películas y videos y la producción profesional de voz como sus principales aplicaciones. El perfil actualizado describe una compatibilidad más amplia con idiomas de pocos recursos y dialectos chinos, mayor autenticidad dialectal y un control más fuerte de emoción, tono, personaje, velocidad de habla, volumen y estilo. El productor también indica mejoras de claridad, resolución y robustez en condiciones acústicas con ruido o reverberación.\n\nPlus es la edición de esta familia de texto a voz centrada en la calidad; Flash se posiciona por separado para interacción en tiempo real. Prepara una narración como un guion hablado, identificando el público previsto, el ritmo y la dirección emocional. Para un pasaje de audiolibro, un encargo ilustrativo puede pedir articulación clara, ritmo pausado y calidez contenida; para la voz de un video, puede solicitar una apertura seria seguida de una explicación más enérgica. Son decisiones de interpretación de las palabras proporcionadas. El modelo es un sintetizador de voz, no un servicio de transcripción ni un generador de una escena visual completa.\n\nLas voces de sistema oficiales de Plus incluyen Long An Ling Xin, descrita como cálida y empática, y Long An Lu Feng, descrita como luminosa y alegre. Ambas figuran para mandarín e inglés. El productor también proporciona más de 500 voces base para esta edición, con muestras que pueden evaluarse antes de elegir una. Recomienda voces de sistema para una síntesis más consistente. Selecciona una voz de la lista exacta de Plus y ajusta el idioma del guion a los idiomas que admite; una voz de Flash no es intercambiable solo por pertenecer a la misma familia general.\n\nEl modelo admite clonación de voz basada en muestras. Los idiomas documentados para voces clonadas incluyen chino, inglés, japonés, coreano, ruso, francés, alemán, portugués, tailandés, indonesio, vietnamita, español, italiano, malayo, filipino y árabe. Las variantes chinas incluyen mandarín, cantonés, Chongqing, nororiental, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghainés, Sichuan y Yunnan, con los dialectos controlados mediante instrucciones. La tabla del productor distingue la clonación de la creación de una voz a partir de una descripción textual: Plus admite clonación, pero no ese modo independiente de diseño de voz.\n\nUna referencia de clonación adecuada es habla clara a velocidad normal, sin música, ruido de fondo, otros hablantes o canto. El productor recomienda 10–20 segundos y permite hasta 60 segundos, en un archivo de un máximo de 10 MB. Los formatos de referencia son WAV de 16 bits, MP3 y M4A, con una frecuencia de muestreo mínima de 16 kHz. Se necesitan al menos cinco segundos continuos de habla clara, y las demás pausas deberían durar como máximo dos segundos. En estéreo, solo se procesa el primer canal. El identificador de voz creado queda vinculado a Plus y se utiliza para síntesis cuando está listo; reproducir la misma referencia mediante Flash requiere una voz de Flash creada por separado.\n\nLas instrucciones en lenguaje natural pueden dar forma al tono, ritmo, emoción y timbre de las voces de sistema y clonadas. Utiliza descripciones audibles concretas, en lugar de una petición vaga de una buena voz. Las etiquetas de emoción insertadas en el texto pueden establecer un estilo dentro del guion, y las etiquetas de lenguaje expresivo pueden insertar un efecto vocal en un punto elegido. Por ejemplo, [serious] cambia la interpretación posterior, mientras que [sighing] inserta un suspiro sin cambiar el estilo emocional circundante. Las etiquetas de control se aplican hasta la siguiente etiqueta de control o la segmentación automática de oraciones. Esta función basada en etiquetas solo está documentada para streaming unidireccional, por lo que tiene un alcance distinto de las instrucciones utilizadas con entrada textual bidireccional.\n\nLas opciones de salida del productor son PCM, WAV, MP3 y Opus, con frecuencias de muestreo enumeradas de 8,000, 16,000, 22,050, 24,000, 44,100 y 48,000 Hz. MP3 y 22,050 Hz son los valores predeterminados documentados. El volumen puede establecerse de 0 a 100, y la velocidad y el tono de 0,5 a 2,0; MP3 y Opus también permiten una tasa de bits de 6 a 510 kbps. Elige la representación necesaria para reproducir o editar y mantén después esos ajustes constantes entre las secciones de una pieza más larga. La salida en streaming incluye tramas de audio y metadatos de oraciones, con marcas temporales por palabra disponibles para las voces elegibles, incluidas las clonadas.\n\nEl flujo de entrada textual WebSocket documentado permite 20,000 caracteres por mensaje y 200,000 caracteres acumulados y exige un intervalo de envío no superior a 23 segundos. Puede recibir un guion completo o segmentos de texto ordenados y finalizar cuando se complete la entrada. El productor también documenta la cancelación del turno de síntesis actual. Son límites y comportamientos de ese protocolo, no un límite universal de duración generada. Para una narración larga, organiza el guion en secciones coherentes y conserva su orden y texto junto al audio resultante para que la pieza pueda montarse y revisarse de forma consistente.\n\nPara pronunciación, el productor proporciona indicaciones del idioma de destino, anotaciones pinyin y sustituciones textuales para corregir lecturas no deseadas de cifras, abreviaturas, símbolos o palabras. SSML es un modo de marcado independiente con condiciones de elegibilidad: la documentación de Qwen lo admite para voces clonadas en llamadas sin streaming o con streaming unidireccional, con un solo envío de texto cuando está activado. No establece SSML para todas las voces de sistema ni para streaming bidireccional. Un flujo práctico de Plus empieza con una voz compatible y un guion terminado y añade después decisiones precisas de interpretación y pronunciación para el pasaje narrado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "981bb3af76885c7887528da0700c141aae476be4ec1fcbec9bb3a4ab46a929a2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "qwen/qwen-audio-3.0-tts-plusQwen-Audio-3.0-TTS-Plus es el modelo de texto a voz de Qwen centrado en audio detallado, natural y expresivo para narración, audiolibros y doblaje. Admite voces predefinidas o clonadas específicas del modelo, salida en streaming e instrucciones o etiquetas para dar forma a la interpretación.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen-Audio-3.0-TTS-Plus convierte texto escrito en voz expresiva, con la edición Plus centrada en calidad de síntesis, naturalidad y una interpretación vocal detallada. Qwen señala la creación de contenido, los audiolibros, el doblaje de películas y videos y la producción profesional de voz como sus principales aplicaciones. El perfil actualizado describe una compatibilidad más amplia con idiomas de pocos recursos y dialectos chinos, mayor autenticidad dialectal y un control más fuerte de emoción, tono, personaje, velocidad de habla, volumen y estilo. El productor también indica mejoras de claridad, resolución y robustez en condiciones acústicas con ruido o reverberación.
Plus es la edición de esta familia de texto a voz centrada en la calidad; Flash se posiciona por separado para interacción en tiempo real. Prepara una narración como un guion hablado, identificando el público previsto, el ritmo y la dirección emocional. Para un pasaje de audiolibro, un encargo ilustrativo puede pedir articulación clara, ritmo pausado y calidez contenida; para la voz de un video, puede solicitar una apertura seria seguida de una explicación más enérgica. Son decisiones de interpretación de las palabras proporcionadas. El modelo es un sintetizador de voz, no un servicio de transcripción ni un generador de una escena visual completa.
Las voces de sistema oficiales de Plus incluyen Long An Ling Xin, descrita como cálida y empática, y Long An Lu Feng, descrita como luminosa y alegre. Ambas figuran para mandarín e inglés. El productor también proporciona más de 500 voces base para esta edición, con muestras que pueden evaluarse antes de elegir una. Recomienda voces de sistema para una síntesis más consistente. Selecciona una voz de la lista exacta de Plus y ajusta el idioma del guion a los idiomas que admite; una voz de Flash no es intercambiable solo por pertenecer a la misma familia general.
El modelo admite clonación de voz basada en muestras. Los idiomas documentados para voces clonadas incluyen chino, inglés, japonés, coreano, ruso, francés, alemán, portugués, tailandés, indonesio, vietnamita, español, italiano, malayo, filipino y árabe. Las variantes chinas incluyen mandarín, cantonés, Chongqing, nororiental, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghainés, Sichuan y Yunnan, con los dialectos controlados mediante instrucciones. La tabla del productor distingue la clonación de la creación de una voz a partir de una descripción textual: Plus admite clonación, pero no ese modo independiente de diseño de voz.
Una referencia de clonación adecuada es habla clara a velocidad normal, sin música, ruido de fondo, otros hablantes o canto. El productor recomienda 10–20 segundos y permite hasta 60 segundos, en un archivo de un máximo de 10 MB. Los formatos de referencia son WAV de 16 bits, MP3 y M4A, con una frecuencia de muestreo mínima de 16 kHz. Se necesitan al menos cinco segundos continuos de habla clara, y las demás pausas deberían durar como máximo dos segundos. En estéreo, solo se procesa el primer canal. El identificador de voz creado queda vinculado a Plus y se utiliza para síntesis cuando está listo; reproducir la misma referencia mediante Flash requiere una voz de Flash creada por separado.
Las instrucciones en lenguaje natural pueden dar forma al tono, ritmo, emoción y timbre de las voces de sistema y clonadas. Utiliza descripciones audibles concretas, en lugar de una petición vaga de una buena voz. Las etiquetas de emoción insertadas en el texto pueden establecer un estilo dentro del guion, y las etiquetas de lenguaje expresivo pueden insertar un efecto vocal en un punto elegido. Por ejemplo, [serious] cambia la interpretación posterior, mientras que [sighing] inserta un suspiro sin cambiar el estilo emocional circundante. Las etiquetas de control se aplican hasta la siguiente etiqueta de control o la segmentación automática de oraciones. Esta función basada en etiquetas solo está documentada para streaming unidireccional, por lo que tiene un alcance distinto de las instrucciones utilizadas con entrada textual bidireccional.
Las opciones de salida del productor son PCM, WAV, MP3 y Opus, con frecuencias de muestreo enumeradas de 8,000, 16,000, 22,050, 24,000, 44,100 y 48,000 Hz. MP3 y 22,050 Hz son los valores predeterminados documentados. El volumen puede establecerse de 0 a 100, y la velocidad y el tono de 0,5 a 2,0; MP3 y Opus también permiten una tasa de bits de 6 a 510 kbps. Elige la representación necesaria para reproducir o editar y mantén después esos ajustes constantes entre las secciones de una pieza más larga. La salida en streaming incluye tramas de audio y metadatos de oraciones, con marcas temporales por palabra disponibles para las voces elegibles, incluidas las clonadas.
El flujo de entrada textual WebSocket documentado permite 20,000 caracteres por mensaje y 200,000 caracteres acumulados y exige un intervalo de envío no superior a 23 segundos. Puede recibir un guion completo o segmentos de texto ordenados y finalizar cuando se complete la entrada. El productor también documenta la cancelación del turno de síntesis actual. Son límites y comportamientos de ese protocolo, no un límite universal de duración generada. Para una narración larga, organiza el guion en secciones coherentes y conserva su orden y texto junto al audio resultante para que la pieza pueda montarse y revisarse de forma consistente.
Para pronunciación, el productor proporciona indicaciones del idioma de destino, anotaciones pinyin y sustituciones textuales para corregir lecturas no deseadas de cifras, abreviaturas, símbolos o palabras. SSML es un modo de marcado independiente con condiciones de elegibilidad: la documentación de Qwen lo admite para voces clonadas en llamadas sin streaming o con streaming unidireccional, con un solo envío de texto cuando está activado. No establece SSML para todas las voces de sistema ni para streaming bidireccional. Un flujo práctico de Plus empieza con una voz compatible y un guion terminado y añade después decisiones precisas de interpretación y pronunciación para el pasaje narrado.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen-audio-3.0-tts-plus | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites longanlingxin, longanlufeng | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoObligatorio | Valores y límites mp3 | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice, response_format |
Parámetrovoice_ids | Contratolonganlingxin, longanlufeng |
Parámetroresponse_format | Contratomp3 |
Parámetromax_input_characters | Contratonull |
Parámetroother_options | Contratofalse |
Parámetroinput | Contratotexto UTF-8 exacto; conteo de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecciona una voz exacta de este perfil de modelo.
Los caracteres de entrada y los segundos de audio se miden por separado.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad facturable | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad facturable— | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónUltra | Tabla de tarifas— | Cantidad facturableCada punto de código Unicode cuenta como un carácter, incluidos los caracteres Han. | Unidad de facturaciónpor 1K caracteres de entrada | Cargo Entrada · carácter de entrada $0.04 por 1K caracteres de entrada |
Las tablas de referencia del modelo no cambian la selección del método, las cotizaciones ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
| Configuración | Condiciones de facturación | Cargo |
|---|---|---|
| ConfiguraciónQwen: Qwen-Audio-3.0-TTS Plus · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada USD 0.00004 por carácter de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-plus", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["longanlingxin", "longanlufeng"]')\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\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y los encabezados. Si se devuelve JSON o varias salidas, conserva cada elemento de data y descarga cada recurso desde su URL firmada real.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta específica para consultar el estado del audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una revisión | Siguiente pasoConserva el ID original de operación o tarea devuelto, los encabezados de la solicitud y la respuesta; continúa con las consultas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot Ultra qwen/qwen-audio-3.0-tts-plus
Usa las rutas de método indicadas arriba.