Qwen-Audio-3.0-TTS-Plus convierte texto en voz expresiva. Alibaba lo orienta a la locución profesional de contenidos, audiolibros, vídeos y materiales con una voz de carácter reconocible. Recibe texto y genera audio; también admite devolverlo a medida que se sintetiza.
La interpretación puede definirse con instrucciones en lenguaje natural y marcas de control detalladas. Determinan la emoción, el tono, el carácter, el ritmo, el volumen y el estilo de habla. Así se puede orientar la interpretación de una misma frase, desde una narración tranquila hasta una voz más enérgica o emotiva.
La expresividad está relacionada con la voz elegida y el contenido del texto. Para una pronunciación consistente, el idioma del material debe corresponder a los que admite esa voz. El modelo está destinado a poner voz a material escrito; analizar una conversación y transcribir una grabación son otras tareas de audio.
Hay dos voces del sistema: una femenina cálida y otra masculina alegre. Admiten chino e inglés. Además, se ofrecen más de 500 voces base y la posibilidad de reproducir una voz a partir de una muestra de habla. El fabricante recomienda las voces del sistema cuando se busca consistencia en el sonido.
El modo basado en una muestra admite chino con variantes regionales de pronunciación, inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio, vietnamita, italiano, español, malayo, filipino y árabe. Es una capacidad lingüística de ese modo y no se aplica automáticamente a todas las voces predefinidas.
Los requisitos de la muestra corresponden a un método independiente del fabricante para crear voces; la síntesis utiliza una voz ya preparada. Esa voz debe ser compatible con el modelo de síntesis elegido: en el servicio del fabricante, utilizar una voz de otro modelo provoca un error. Se recomienda una muestra de habla limpia de 10–20 segundos. El límite general es de 60 segundos y 10 MB; se requieren al menos cinco segundos de habla continua. Se admiten WAV de 16 bits, MP3 y M4A con una frecuencia de al menos 16 kHz. Puede haber uno o dos canales, pero, si hay dos, se utiliza el primero.
La muestra debe contener una sola voz, sin personas hablando a la vez, música ni canto. Los requisitos del fabricante limitan las pausas breves de la muestra a dos segundos. Esto ayuda a aislar el timbre y las características de pronunciación necesarias para la síntesis posterior. El control de la interpretación y la reproducción de una voz a partir de una muestra describen aspectos diferentes del modelo y pueden utilizarse para preparar el sonido de un mismo contenido.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus convierte texto en voz expresiva. Alibaba lo orienta a la locución profesional de contenidos, audiolibros, vídeos y materiales con una voz de carácter reconocible. Recibe texto y genera audio; también admite devolverlo a medida que se sintetiza.\n\n### La forma de hablar como parte de la instrucción\n\nLa interpretación puede definirse con instrucciones en lenguaje natural y marcas de control detalladas. Determinan la emoción, el tono, el carácter, el ritmo, el volumen y el estilo de habla. Así se puede orientar la interpretación de una misma frase, desde una narración tranquila hasta una voz más enérgica o emotiva.\n\nLa expresividad está relacionada con la voz elegida y el contenido del texto. Para una pronunciación consistente, el idioma del material debe corresponder a los que admite esa voz. El modelo está destinado a poner voz a material escrito; analizar una conversación y transcribir una grabación son otras tareas de audio.\n\n### Voz predefinida y voz basada en una muestra\n\nHay dos voces del sistema: una femenina cálida y otra masculina alegre. Admiten chino e inglés. Además, se ofrecen más de 500 voces base y la posibilidad de reproducir una voz a partir de una muestra de habla. El fabricante recomienda las voces del sistema cuando se busca consistencia en el sonido.\n\nEl modo basado en una muestra admite chino con variantes regionales de pronunciación, inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio, vietnamita, italiano, español, malayo, filipino y árabe. Es una capacidad lingüística de ese modo y no se aplica automáticamente a todas las voces predefinidas.\n\nLos requisitos de la muestra corresponden a un método independiente del fabricante para crear voces; la síntesis utiliza una voz ya preparada. Esa voz debe ser compatible con el modelo de síntesis elegido: en el servicio del fabricante, utilizar una voz de otro modelo provoca un error. Se recomienda una muestra de habla limpia de 10–20 segundos. El límite general es de 60 segundos y 10 MB; se requieren al menos cinco segundos de habla continua. Se admiten WAV de 16 bits, MP3 y M4A con una frecuencia de al menos 16 kHz. Puede haber uno o dos canales, pero, si hay dos, se utiliza el primero.\n\nLa muestra debe contener una sola voz, sin personas hablando a la vez, música ni canto. Los requisitos del fabricante limitan las pausas breves de la muestra a dos segundos. Esto ayuda a aislar el timbre y las características de pronunciación necesarias para la síntesis posterior. El control de la interpretación y la reproducción de una voz a partir de una muestra describen aspectos diferentes del modelo y pueden utilizarse para preparar el sonido de un mismo contenido.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "926a10a549cbf31b1ec099206e943f6e658e4763b8b8e231436895456bb732da", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "qwen-audio-3.0-tts-plusModelo de síntesis de voz expresiva para vídeos, audiolibros y contenidos de audio. Permite controlar la forma de hablar y elegir una voz predefinida o creada a partir de una muestra.
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 en voz expresiva. Alibaba lo orienta a la locución profesional de contenidos, audiolibros, vídeos y materiales con una voz de carácter reconocible. Recibe texto y genera audio; también admite devolverlo a medida que se sintetiza.
La interpretación puede definirse con instrucciones en lenguaje natural y marcas de control detalladas. Determinan la emoción, el tono, el carácter, el ritmo, el volumen y el estilo de habla. Así se puede orientar la interpretación de una misma frase, desde una narración tranquila hasta una voz más enérgica o emotiva.
La expresividad está relacionada con la voz elegida y el contenido del texto. Para una pronunciación consistente, el idioma del material debe corresponder a los que admite esa voz. El modelo está destinado a poner voz a material escrito; analizar una conversación y transcribir una grabación son otras tareas de audio.
Hay dos voces del sistema: una femenina cálida y otra masculina alegre. Admiten chino e inglés. Además, se ofrecen más de 500 voces base y la posibilidad de reproducir una voz a partir de una muestra de habla. El fabricante recomienda las voces del sistema cuando se busca consistencia en el sonido.
El modo basado en una muestra admite chino con variantes regionales de pronunciación, inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio, vietnamita, italiano, español, malayo, filipino y árabe. Es una capacidad lingüística de ese modo y no se aplica automáticamente a todas las voces predefinidas.
Los requisitos de la muestra corresponden a un método independiente del fabricante para crear voces; la síntesis utiliza una voz ya preparada. Esa voz debe ser compatible con el modelo de síntesis elegido: en el servicio del fabricante, utilizar una voz de otro modelo provoca un error. Se recomienda una muestra de habla limpia de 10–20 segundos. El límite general es de 60 segundos y 10 MB; se requieren al menos cinco segundos de habla continua. Se admiten WAV de 16 bits, MP3 y M4A con una frecuencia de al menos 16 kHz. Puede haber uno o dos canales, pero, si hay dos, se utiliza el primero.
La muestra debe contener una sola voz, sin personas hablando a la vez, música ni canto. Los requisitos del fabricante limitan las pausas breves de la muestra a dos segundos. Esto ayuda a aislar el timbre y las características de pronunciación necesarias para la síntesis posterior. El control de la interpretación y la reproducción de una voz a partir de una muestra describen aspectos diferentes del modelo y pueden utilizarse para preparar el sonido de un mismo contenido.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-audio-3.0-tts-plus | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Longitud máxima: 600 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoOpcional | Valores y límites Ejemplos: longanlingxin, longanlufeng Patrón personalizado aceptado: ^qwen-audio-3\\.0-tts-plus- Condiciones: Se aceptan ID reales de voces personalizadas con el prefijo exacto qwen-audio-3.0-tts-plus-. | Predeterminadolonganlingxin |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites mp3, wav, pcm | Predeterminadomp3 |
Camposample_rate | Tipointeger | RequisitoOpcional | Valores y límites 16.000, 24.000, 48.000 Unidad: Hz | Predeterminado24.000 |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratonull |
Parámetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/audio/speech20,00 US$ por 1 millón de caracteres a efectos de cómputo. Un ideograma CJK cuenta como 2 caracteres a efectos de cómputo: 40,00 US$ por 1 millón de ideogramas. Peso de los demás caracteres Unicode: 1. Audio de salida: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_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\nformato seleccionado mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada 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 dedicada para consultar periódicamente el 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 comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Usa las rutas de método indicadas arriba.
qwen-ttsModelo de síntesis de voz expresiva para vídeos, audiolibros y contenidos de audio. Permite controlar la forma de hablar y elegir una voz predefinida o creada a partir de una muestra.
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 en voz expresiva. Alibaba lo orienta a la locución profesional de contenidos, audiolibros, vídeos y materiales con una voz de carácter reconocible. Recibe texto y genera audio; también admite devolverlo a medida que se sintetiza.
La interpretación puede definirse con instrucciones en lenguaje natural y marcas de control detalladas. Determinan la emoción, el tono, el carácter, el ritmo, el volumen y el estilo de habla. Así se puede orientar la interpretación de una misma frase, desde una narración tranquila hasta una voz más enérgica o emotiva.
La expresividad está relacionada con la voz elegida y el contenido del texto. Para una pronunciación consistente, el idioma del material debe corresponder a los que admite esa voz. El modelo está destinado a poner voz a material escrito; analizar una conversación y transcribir una grabación son otras tareas de audio.
Hay dos voces del sistema: una femenina cálida y otra masculina alegre. Admiten chino e inglés. Además, se ofrecen más de 500 voces base y la posibilidad de reproducir una voz a partir de una muestra de habla. El fabricante recomienda las voces del sistema cuando se busca consistencia en el sonido.
El modo basado en una muestra admite chino con variantes regionales de pronunciación, inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio, vietnamita, italiano, español, malayo, filipino y árabe. Es una capacidad lingüística de ese modo y no se aplica automáticamente a todas las voces predefinidas.
Los requisitos de la muestra corresponden a un método independiente del fabricante para crear voces; la síntesis utiliza una voz ya preparada. Esa voz debe ser compatible con el modelo de síntesis elegido: en el servicio del fabricante, utilizar una voz de otro modelo provoca un error. Se recomienda una muestra de habla limpia de 10–20 segundos. El límite general es de 60 segundos y 10 MB; se requieren al menos cinco segundos de habla continua. Se admiten WAV de 16 bits, MP3 y M4A con una frecuencia de al menos 16 kHz. Puede haber uno o dos canales, pero, si hay dos, se utiliza el primero.
La muestra debe contener una sola voz, sin personas hablando a la vez, música ni canto. Los requisitos del fabricante limitan las pausas breves de la muestra a dos segundos. Esto ayuda a aislar el timbre y las características de pronunciación necesarias para la síntesis posterior. El control de la interpretación y la reproducción de una voz a partir de una muestra describen aspectos diferentes del modelo y pueden utilizarse para preparar el sonido de un mismo contenido.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-tts | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Longitud máxima: 600 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoOpcional | Valores y límites Ejemplos: longanlingxin, longanlufeng Patrón personalizado aceptado: ^qwen-audio-3\\.0-tts-plus- Condiciones: Se aceptan ID reales de voces personalizadas con el prefijo exacto qwen-audio-3.0-tts-plus-. | Predeterminadolonganlingxin |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites mp3, wav, pcm | Predeterminadomp3 |
Camposample_rate | Tipointeger | RequisitoOpcional | Valores y límites 16.000, 24.000, 48.000 Unidad: Hz | Predeterminado24.000 |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratonull |
Parámetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/audio/speech20,00 US$ por 1 millón de caracteres a efectos de cómputo. Un ideograma CJK cuenta como 2 caracteres a efectos de cómputo: 40,00 US$ por 1 millón de ideogramas. Peso de los demás caracteres Unicode: 1. Audio de salida: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_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\nformato seleccionado mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada 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 dedicada para consultar periódicamente el 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 comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Usa las rutas de método indicadas arriba.
qwen-tts-latestModelo de síntesis de voz expresiva para vídeos, audiolibros y contenidos de audio. Permite controlar la forma de hablar y elegir una voz predefinida o creada a partir de una muestra.
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 en voz expresiva. Alibaba lo orienta a la locución profesional de contenidos, audiolibros, vídeos y materiales con una voz de carácter reconocible. Recibe texto y genera audio; también admite devolverlo a medida que se sintetiza.
La interpretación puede definirse con instrucciones en lenguaje natural y marcas de control detalladas. Determinan la emoción, el tono, el carácter, el ritmo, el volumen y el estilo de habla. Así se puede orientar la interpretación de una misma frase, desde una narración tranquila hasta una voz más enérgica o emotiva.
La expresividad está relacionada con la voz elegida y el contenido del texto. Para una pronunciación consistente, el idioma del material debe corresponder a los que admite esa voz. El modelo está destinado a poner voz a material escrito; analizar una conversación y transcribir una grabación son otras tareas de audio.
Hay dos voces del sistema: una femenina cálida y otra masculina alegre. Admiten chino e inglés. Además, se ofrecen más de 500 voces base y la posibilidad de reproducir una voz a partir de una muestra de habla. El fabricante recomienda las voces del sistema cuando se busca consistencia en el sonido.
El modo basado en una muestra admite chino con variantes regionales de pronunciación, inglés, francés, alemán, japonés, coreano, ruso, portugués, tailandés, indonesio, vietnamita, italiano, español, malayo, filipino y árabe. Es una capacidad lingüística de ese modo y no se aplica automáticamente a todas las voces predefinidas.
Los requisitos de la muestra corresponden a un método independiente del fabricante para crear voces; la síntesis utiliza una voz ya preparada. Esa voz debe ser compatible con el modelo de síntesis elegido: en el servicio del fabricante, utilizar una voz de otro modelo provoca un error. Se recomienda una muestra de habla limpia de 10–20 segundos. El límite general es de 60 segundos y 10 MB; se requieren al menos cinco segundos de habla continua. Se admiten WAV de 16 bits, MP3 y M4A con una frecuencia de al menos 16 kHz. Puede haber uno o dos canales, pero, si hay dos, se utiliza el primero.
La muestra debe contener una sola voz, sin personas hablando a la vez, música ni canto. Los requisitos del fabricante limitan las pausas breves de la muestra a dos segundos. Esto ayuda a aislar el timbre y las características de pronunciación necesarias para la síntesis posterior. El control de la interpretación y la reproducción de una voz a partir de una muestra describen aspectos diferentes del modelo y pueden utilizarse para preparar el sonido de un mismo contenido.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-tts-latest | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Longitud máxima: 600 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoOpcional | Valores y límites Ejemplos: longanlingxin, longanlufeng Patrón personalizado aceptado: ^qwen-audio-3\\.0-tts-plus- Condiciones: Se aceptan ID reales de voces personalizadas con el prefijo exacto qwen-audio-3.0-tts-plus-. | Predeterminadolonganlingxin |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites mp3, wav, pcm | Predeterminadomp3 |
Camposample_rate | Tipointeger | RequisitoOpcional | Valores y límites 16.000, 24.000, 48.000 Unidad: Hz | Predeterminado24.000 |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratonull |
Parámetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/audio/speech20,00 US$ por 1 millón de caracteres a efectos de cómputo. Un ideograma CJK cuenta como 2 caracteres a efectos de cómputo: 40,00 US$ por 1 millón de ideogramas. Peso de los demás caracteres Unicode: 1. Audio de salida: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_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\nformato seleccionado mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada 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 dedicada para consultar periódicamente el 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 comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Usa las rutas de método indicadas arriba.