Source: https://ailoot.ai/models/hu/qwen-qwen-audio-3-0-tts-flash/ Canonical: https://ailoot.ai/models/hu/qwen-qwen-audio-3-0-tts-flash/ Language: hu # Qwen: Qwen-Audio-3.0-TTS Flash [Markdown](https://ailoot.ai/models/hu/qwen-qwen-audio-3-0-tts-flash/index.md) · [JSON](https://ailoot.ai/models/hu/qwen-qwen-audio-3-0-tts-flash/facts.json) ## [Qwen: Qwen-Audio-3.0-TTS Flash](https://ailoot.ai/models/hu/qwen-qwen-audio-3-0-tts-flash/) A Qwen-Audio-3.0-TTS-Flash a Qwen szövegfelolvasó modellje, amely a gyorsan reagáló hangasszisztensekre és az interaktív párbeszédre összpontosít. Streaming beszédszintézist, modellspecifikus előre beállított vagy klónozott hangokat, valamint a kifejező beszédet vezérlő utasításokat és címkéket egyesít. - [**Ailoot Ultra · Felolvasás** `POST /v1/audio/speech` `qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/hu/qwen-qwen-audio-3-0-tts-flash/#method-0) A modellről Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók. A Qwen-Audio-3.0-TTS-Flash a megadott szöveget beszéddé alakítja, a Flash kiadás pedig a valós idejű interakcióra összpontosít. A Qwen a hangasszisztenseket, az interaktív párbeszédet és az intelligens ügyfélszolgálatot nevezi meg fő alkalmazási területként. Az előző verzióhoz képest a gyártó a kevesebb nyelvi adattal rendelkező nyelvek és a kínai nyelvjárások szélesebb körű támogatásáról, hitelesebb nyelvjárási megszólalásról, valamint az érzelem, hangvétel, karakter, sebesség, hangerő és beszédstílus erősebb vezérléséről számol be. Emellett jobb érthetőséget és megbízhatóbb működést jelez zajos vagy visszhangos akusztikai környezetben. Ez szövegből hangot előállító szintézis, nem bejövő beszéd felismerése vagy hangalapú párbeszédmodell. A Flash az interaktív beszélgetésben a beszéd gyors elindítását helyezi előtérbe. A Qwen ennél a modellnél legfeljebb 200 milliszekundumos elsőcsomag-késleltetést közöl a valós idejű szintézishez; a használati útmutató azt is jelzi, hogy a kezdeti kapcsolatfelépítés hozzájárul az első beküldésnél mért késleltetéshez. A ténylegesen elhangzó szavakat a kívánt előadásmódtól külön készítse elő. Egy hangasszisztens válaszához például tömör választ és nyugodt, tiszta megszólalást kérő utasítást lehet összekapcsolni. Az eredmény az adott szöveghez előállított beszéd, míg a lejátszást és a környező beszélgetést az alkalmazás kezeli. A gyártó rendszerhanglistáján modellspecifikus lehetőségek szerepelnek: a Long An Feng Yue természetes, barátságos megszólalást, a Long An Xiao Xin barátságos, élénk előadásmódot kínál; mindkettőt mandarin és angol nyelvre sorolják fel. Angol hangok is szerepelnek benne, például a brit akcentusú loongmary és a nyugodt, barátságos amerikai akcentusú loongjohn. Minden modellhez további több mint 500 alaphang tartozik. A Qwen az egyenletes eredmények érdekében a rendszerhangokkal való kezdést és alaphang választásakor a hangminták meghallgatását javasolja. A hangnak a kiválasztott modellhez kell tartoznia, a felolvasandó szövegnek pedig az adott hang által támogatott nyelven kell készülnie. A klónozott hangok a dokumentált nyelvkört kínaira, angolra, japánra, koreaira, oroszra, franciára, németre, portugálra, thaira, indonézre, vietnámira, spanyolra, olaszra, malájra, filippínóra és arabra bővítik. A kínai lefedettséghez a mandarin, kantoni, Chongqing, északkelet-kínai, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, sanghaji, Sichuan és Yunnan változatok tartoznak; a nyelvjárás utasításokkal választható ki. A modelltáblázat támogatottként jelöli a hangmintán alapuló hangklónozást, és megkülönbözteti azt egy új hang kizárólag szöveges leírásból történő létrehozásától, amelyet ez a kiadás nem támogat. Klónozáshoz a gyártó 10–20 másodperces felvételt javasol, legfeljebb 60 másodperces hosszal és legfeljebb 10 MB-os fájlmérettel. A támogatott referenciaformátumok a 16 bites WAV, az MP3 és az M4A, legalább 16 kHz-es mintavételi frekvenciával. A felvételnek legalább öt másodpercnyi folyamatos, tiszta beszédet kell tartalmaznia; az egyéb szünetek ne legyenek két másodpercnél hosszabbak. Kerülje a háttérhangokat, más beszélők hangját és az éneklést. Sztereó felvétel is elfogadott, de csak az első csatorna kerül feldolgozásra. A klónozási folyamat a pontos célmodellhez kötött hangazonosítót ad vissza; ha a hang elkészült, a szintézis ezt az azonosítót használja. Ugyanabból a felvételből külön klónozott hangot kell létrehozni a Flash és a Plus számára. A természetes nyelvű utasítások a rendszerhangok és a klónozott hangok előadásmódját egyaránt vezérlik. Írjon le hallható tulajdonságokat, például szelíd hangvételt, tiszta artikulációt vagy valamivel lassabb tempót. A szövegközi címkék másféle vezérlést adnak: az \[empathetic\] vagy \[serious\] a következő szöveg stílusát állítja be, míg a \[laughing\] vagy \[sighing\] egy adott helyen hangeffektust illeszt be. A vezérlőcímke hatása egy másik vezérlőcímkéig vagy az automatikus mondatszegmentálásig tart. Ezek az érzelmi és kifejező beszédet vezérlő címkék csak az egyirányú streaminghez dokumentáltak, nem a kétirányú szövegbeviteli módhoz. A kifejező megszólalást az adott vezérlőknek megfelelő módban készítse elő. A gyártó beszédinterfésze támogatja a PCM, WAV, MP3 és Opus formátumot. A felsorolt mintavételi frekvenciák 8 000, 16 000, 22 050, 24 000, 44 100 és 48 000 Hz; az alapértelmezés az MP3 és a 22 050 Hz. A hangerő 0 és 100 között, a beszédsebesség és a hangmagasság egyaránt 0,5 és 2,0 között állítható. Az MP3 és az Opus esetében 6 és 510 kbps közötti bitráta is beállítható. A formátumot és a mintavételi frekvenciát a tervezett lejátszóhoz vagy feldolgozási folyamathoz válassza meg. Interaktív alkalmazásokhoz a gyártó streaming hangkereteket és mondatszintű metaadatokat dokumentál; a megfelelő hangoknál, a klónozott hangokat is beleértve, a streaming kimenetben szószintű időbélyegek is elérhetők. A dokumentált WebSocket-szövegprotokoll egy szöveges üzenetben legfeljebb 20 000 karaktert, egy feladaton belül összesen legfeljebb 200 000 karaktert fogad el, a beküldések között pedig legfeljebb 23 másodperc telhet el. Ezek a gyártói protokoll korlátai, és nem azonosak a modell kimeneti időtartamának általános felső határával. Támogatja az aktuális szintéziskör megszakítását és egy következő feladat indítását ugyanazon a kapcsolaton. A szövegrészeket a kívánt felolvasási sorrendben tartsa, és fejezze be a bevitelt, amikor a felolvasandó szöveg teljes. A kiejtés előkészítéséhez a gyártó célnyelvi jelzéseket, pinjinjelöléseket és szövegcseréket dokumentál, amelyek hasznosak lehetnek, ha a számjegyek, rövidítések vagy szimbólumok nem a várt módon hangzanak el. Az SSML külön jelölőnyelvi lehetőség, amelyhez a hangra és az interakció módjára vonatkozó feltételek tartoznak: a Qwen klónozott hangokhoz, nem streaming vagy egyirányú streaming hívásokhoz dokumentálja, bekapcsolt SSML esetén pedig egyetlen szövegbeküldéssel. Nem szabad minden előre beállított hang vagy kétirányú stream esetében támogatottnak tekinteni. Hétköznapi párbeszédhez kezdjen kompatibilis hanggal, tiszta felolvasandó szöveggel és konkrét előadásmódbeli utasítással; ahol a feladat megkívánja, adjon hozzá célzott kiejtési vagy kifejező vezérlőket. Így a Flash profil középpontjában az előkészített szövegből gyorsan megszólaló beszéd marad, nem más Qwen-audiomodellek képességei. **Ailoot Ultra · Felolvasás** `POST /v1/audio/speech` `qwen/qwen-audio-3.0-tts-flash` [`qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/hu/#m=qwen%2Fqwen-audio-3.0-tts-flash&route=Ultra&caller=qwen%2Fqwen-audio-3.0-tts-flash&fmt=speech) Alibaba /`qwen/qwen-audio-3.0-tts-flash` ### Kezdő lépések A Qwen-Audio-3.0-TTS-Flash a Qwen szövegfelolvasó modellje, amely a gyorsan reagáló hangasszisztensekre és az interaktív párbeszédre összpontosít. Streaming beszédszintézist, modellspecifikus előre beállított vagy klónozott hangokat, valamint a kifejező beszédet vezérlő utasításokat és címkéket egyesít. Elfogadott bemenetek Szöveg Eredmények Hang ### Elérhető az Ailootban · bemenetek és metódusok **Ailoot Ultra · Felolvasás** `POST /v1/audio/speech` Bemenet `text` Kimenet `audio` Kimeneti formátum mp3 | Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett | | --- | --- | --- | --- | --- | | Mező`model` | Típus`string` | KövetelményKötelező | Értékek és korlátok qwen/qwen-audio-3.0-tts-flash | Alapértelmezett— | | Mező`input` | Típus`string` | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 Egység: Unicode-karakterek | Alapértelmezett— | | Mező`voice` | Típus`string` | KövetelményKötelező | Értékek és korlátok loongjohn, longanhuan\_v3.6 | Alapértelmezett— | | Mező`response_format` | Típus`string` | KövetelményKötelező | Értékek és korlátok mp3 | Alapértelmezett— | Bemeneti anyagok kombinációi **text\_to\_speech** · Kötelező: input Metódus paraméterei és életciklusa | Paraméter | Szerződés | | --- | --- | | Paraméter`content_type` | Szerződésapplication/json | | Paraméter`required` | Szerződésmodel, input, voice, response\_format | | Paraméter`voice_ids` | Szerződésloongjohn, longanhuan\_v3.6 | | Paraméter`response_format` | Szerződésmp3 | | Paraméter`max_input_characters` | Szerződésnull | | Paraméter`other_options` | Szerződésfalse | | Paraméter`input` | Szerződéspontos UTF-8 szöveg; Unicode-karakterszám normalizálás nélkül | | Paraméter`material_types` | Szerződéstext | Életciklus: `synchronous_result_then_owned_library` `GET /v1/media/tasks/{task_id}` · A ténylegesen visszaadott task\_id vagy a médiatár bejegyzése `GET /v1/media/assets/{asset_id}/content` `GET /v1/media/assets` `GET /v1/media/assets/{asset_id}` E modell profiljából válassza ki a pontos hangot. A bemeneti karakterek és a hangmásodpercek külön mérési egységek. ### Díjcsomagok A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek. Gyors mód Nincs megadva Ha a gyors mód van kiválasztva Flex mód Nincs megadva Ha a flex mód van kiválasztva Maximális gondolkodási ráfordítás Nincs megadva Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik #### Ailoot-díjak #### Árak beállításonként Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon. | Beállítás | Díjtáblázat | Számlázható mennyiség | Elszámolási egység | Díj | | --- | --- | --- | --- | --- | | BeállításTokenek alapdíjai | DíjtáblázatAlapdíj | Számlázható mennyiség— | Elszámolási egység— | Díj Bemenet · Bemeneti tokenek **—** / 1K token Kimenet · Kimeneti tokenek **—** / 1K token Bemenet · Gyorsítótár olvasása **—** / 1K token Bemenet · Írás a gyorsítótárba **—** / 1K token Bemenet · Írás a gyorsítótárba, 1 óra **—** / 1K token | | BeállításUltra | Díjtáblázat— | Számlázható mennyiségMinden Unicode-kódpont egy karakternek számít, a Han-karaktereket is beleértve. | Elszámolási egység1K bemeneti karakterenként | Díj Bemenet · bemeneti karakter **$0.03** 1K bemeneti karakterenként | #### A referencia-díjszabás részletei A modellszintű referenciatáblázatok nem módosítják a metódusválasztást, az árajánlatokat vagy a díjakat. A tényleges díjak a kiválasztott Ailoot-metódus díjtételeit használják. Qwen: Qwen-Audio-3.0-TTS Flash #### Árak beállításonként | Beállítás | Elszámolási feltételek | Díj | | --- | --- | --- | | BeállításQwen: Qwen-Audio-3.0-TTS Flash · Alapértelmezett beállítások | Elszámolási feltételekAlapértelmezett konfiguráció | Díj Bemenet · Bemeneti karakterek **0,00003 USD** bemeneti karakterenként | Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. [A foglalás és az elszámolás működése →](https://ailoot.ai/docs/hu/billing/reserve/) ### Példakérések #### Ailoot Ultra · Felolvasás curl ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}" export AILOOT_VOICE_ID python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "qwen/qwen-audio-3.0-tts-flash", "input": "Good afternoon! This is a short voice take."}') voice=os.environ["AILOOT_VOICE_ID"] allowed=json.loads('["loongjohn", "longanhuan_v3.6"]') if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile") p["voice"]=voice p["response_format"]="mp3" Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o speech.mp3 ``` ### Eredmények fogadása és mentése #### Ailoot Ultra · Felolvasás mp3 - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` További tartalomlekérések MédiatárFeladat állapotaMédiafájl részletei ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \ -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json ``` ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}" export AILOOT_MEDIA_TASK_ID resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))') curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \ -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json python3 - <<'PY_RESULT' import json from pathlib import Path print(json.dumps(json.loads(Path("media-task.json").read_text()))) PY_RESULT ``` ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}" export AILOOT_ASSET_ID resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))') curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \ -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json python3 - <<'PY_RESULT' import json from pathlib import Path print(json.dumps(json.loads(Path("media-asset.json").read_text()))) PY_RESULT ``` ##### Őrizzen meg minden elkészült eredményt Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt. Őrizze meg a teljes bináris eredményt és a fejléceket. JSON vagy több kimenet esetén őrizzen meg minden adatelemet, és töltse le minden ténylegesen visszaadott, aláírt média-URL tartalmát. ##### Ha az eredeti választ ellenőrizni kell Őrizze meg az eredeti operation\_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal. Válaszmezők | Mező | Típus | | --- | --- | | Mező`binary audio` | Típusbytes | | Mező`response headers` | Típusheaders | Hibák és következő lépések | Válasz | Feltétel | Következő lépés | | --- | --- | --- | | Válasz400 · `invalid_request_error` | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. | | Válasz`server_error` | FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel | Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést. | ### Álnevek #### Modell álnevei **Ailoot Ultra** [`qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/hu/#m=qwen%2Fqwen-audio-3.0-tts-flash&route=Ultra&caller=qwen%2Fqwen-audio-3.0-tts-flash&fmt=speech) #### Metódusútvonalak álnevei Használja a fent látható metódusútvonalakat. #### Kapcsolódó modellazonosítók [`qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/hu/#m=qwen%2Fqwen-audio-3.0-tts-flash&route=Ultra&caller=qwen%2Fqwen-audio-3.0-tts-flash&fmt=speech) FAQ · Qwen: Qwen-Audio-3.0-TTS Flash Milyen bemenetek és eredmények érhetők el? `POST /v1/audio/speech` · `qwen/qwen-audio-3.0-tts-flash`: `text` → `audio` Mely mezőket használja a kérés? `POST /v1/audio/speech` · `qwen/qwen-audio-3.0-tts-flash`: `model`, `input`, `voice`, `response_format` Csatlakoztassa az Ailootot a Claude Code-hoz, OpenCode-hoz, Hermeshez vagy saját alkalmazásához. ## A vállalat és projektportfóliója A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. ## Vásároljon tokeneket kedvezménnyel. Előfizetési kedvezmény rendszeres munkához. Promókódok — akár 50% tokenvásárlási kedvezmény. Előfizetés Válasszon kedvezményes tarifát a rendszeres kéréseihez. Promókód akár 50%-ig Vásárláskor adja meg a kódot. Az ár az érvényes akció szerint újraszámolódik. Költségek az előzményekben Minden kéréshez megmarad a modell, a tokenek és az összeg. [Előfizetés kiválasztása](https://ailoot.ai/docs/hu/billing/subscriptions/) · [Modellárak megtekintése](https://ailoot.ai/models/hu/) ## Csatlakoztassa az API-t az értékesített termékéhez. SaaS, alkalmazások és botok — az Ailoot ajánlati feltételei és licencszerződése alapján. Viszonteladáshoz kérjen viszonteladói licencet. Kereskedelmi alkalmazás Építsen szöveg-, kép-, videó- és hanggenerálást szolgáltatása fizetős funkcióiba. Viszonteladói licenc Küldje el a projekt leírását és a hozzáférés módját. Kérjen írásos használati és viszonteladási feltételeket. Dokumentumok a weboldalon Az ajánlati feltételek, licencszerződés és adatkezelési szabályzat már a csatlakoztatás előtt elérhető. [Viszonteladói licenc kérése](mailto:support@ailoot.ai) · [Ajánlati feltételek és licencszerződés](https://ailoot.ai/legal/offer?lang=hu) ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.