Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash — Qwen-нің жедел жауап беретін дауыс көмекшілері мен интерактивті диалогқа арналған мәтінді дыбыстау моделі. Ол ағындық синтезді, нақты модельге арналған дайын не клондалған дауыстарды және мәнерлі сөйлеуге арналған нұсқаулар мен тегтерді біріктіреді.

Ailoot Ultra · Дыбыстау POST /v1/audio/speech qwen/qwen-audio-3.0-tts-flash

Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

Qwen-Audio-3.0-TTS-Flash берілген мәтінді сөйлеуге айналдырады, ал Flash нұсқасы нақты уақыттағы өзара әрекетке бағытталған. Qwen оның негізгі қолданылу салалары ретінде дауыс көмекшілерін, интерактивті диалогты және клиенттерге зияткерлік қызмет көрсетуді атайды. Өндірушінің сипаттауынша, алдыңғы нұсқамен салыстырғанда ресурсы аз тілдер мен қытай диалектілерін қолдау ауқымы кеңейген, диалектілік сөйлеу табиғи бола түскен, ал эмоцияны, дауыс реңкін, кейіпкерді, жылдамдықты, дыбыс деңгейін және сөйлеу мәнерін басқару мүмкіндігі артқан. Сондай-ақ өндіруші шулы немесе жаңғырығы бар акустикалық ортада сөйлеудің анықтығы мен орнықтылығы жақсарғанын хабарлайды. Бұл — мәтіннен аудио синтездеу моделі; ол кіріс сөйлеуді тану немесе дауыстық диалог моделі емес.

Flash интерактивті әңгімеде дыбыстың тез басталуына басымдық береді. Qwen осы модельдің нақты уақыттағы синтезінде алғашқы пакеттің кідірісі 200 миллисекунд шегінде болатынын хабарлайды; пайдалану нұсқаулығында бастапқы қосылымды орнату алғашқы жіберілімнің өлшенетін кідірісіне әсер ететіні де көрсетілген. Айтылатын нақты сөздерді олардың қалай дыбысталуы керегі туралы талаптан бөлек дайындаңыз. Мысалы, дауыс көмекшісінің жауабына арналған тапсырмада қысқа жауапты сабырлы әрі анық айту нұсқауымен үйлестіруге болады. Негізгі нәтиже — сол мәтінге арнап жасалған сөйлеу; оны ойнату мен әңгіменің қалған бөлігін қолданба басқарады.

Өндірушінің жүйелік дауыстар тізімінде табиғи әрі жылы мәнерге арналған Long An Feng Yue және жылы әрі сергек мәнерге арналған Long An Xiao Xin сияқты нақты модельге тән нұсқалар бар. Екеуі де мандарин қытай тілі мен ағылшын тілі үшін көрсетілген. Тізімде британ акцентімен сөйлейтін loongmary және америкалық акцентпен сабырлы, жылы сөйлейтін loongjohn сияқты ағылшын дауыстары да бар. Бұған қоса, әр модельде 500-ден астам базалық дауыс бар. Qwen бірізділік үшін жүйелік дауыстардан бастауды және базалық дауысты таңдағанда алдын ала тыңдау үлгілерін бағалауды ұсынады. Дауыс таңдалған модельге тиесілі болуы, ал мәтін сол дауыс қолдайтын тілде жазылуы керек.

Клондалған дауыстар құжатталған тілдер ауқымын қытай, ағылшын, жапон, корей, орыс, француз, неміс, португал, тай, индонезия, вьетнам, испан, итальян, малай, филиппин және араб тілдеріне дейін кеңейтеді. Қытай тілінің қамтылатын түрлеріне мандарин, кантон, Чунцин, солтүстік-шығыс, Ганьсу, Гуйчжоу, Чжэцзян, Хэбэй, Хэнань, Хубэй, Хунань, Цзянси, Нинбо, Нинся, Циндао, Шэньси, Шаньси, Шаньдун, шанхай, Сычуань және Юньнань сөйленістері кіреді; диалект нұсқаулар арқылы таңдалады. Модельдер кестесінде үлгі бойынша дауыс клондау қолдауы көрсетілген және ол тек мәтіндік сипаттамадан жаңа дауыс жасаудан бөлек қарастырылады. Осы нұсқа соңғы мүмкіндікті қолдамайды.

Клондау үшін өндіруші 10–20 секундтық жазбаны ұсынады; ең ұзақ жазба — 60 секунд, ал файл көлемі 10 MB-тан аспауы керек. Қолдау көрсетілетін үлгі пішімдері — 16 биттік WAV, MP3 және M4A; дискреттеу жиілігі кемінде 16 kHz болуы керек. Жазбада кемінде бес секунд үздіксіз әрі анық сөйлеу болуы қажет; өзге үзілістердің екі секундтан аспағаны жөн. Фондық дыбыстан, басқа адамдардың даусынан және ән айтудан аулақ болыңыз. Стерео қабылданады, бірақ тек бірінші арна өңделеді. Клондау үдерісі нақты мақсатты модельге байланған дауыс идентификаторын қайтарады; дауыс дайын болғанда синтез осы идентификаторды пайдаланады. Бір жазбаның өзінен Flash пен Plus үшін бөлек дауыс клондарын жасау керек.

Табиғи тілдегі нұсқаулар жүйелік дауыстардың да, клондалған дауыстардың да айту мәнерін басқарады. Жұмсақ реңк, анық артикуляция немесе сәл баяуырақ қарқын сияқты естілетін сипаттарды көрсетіңіз. Мәтін ішіндегі тегтер басқа басқару тәсілін ұсынады: [empathetic] немесе [serious] кейінгі мәтінге стиль орнатады, ал [laughing] немесе [sighing] белгілі бір орынға дауыс әсерін қосады. Басқару тегінің әсері келесі басқару тегіне дейін немесе сөйлемдерге автоматты түрде бөлу сәтіне дейін жалғасады. Бұл эмоция және мәнерлі сөйлеу тегтері екі бағытты мәтін енгізу режиміне емес, тек бір бағытты ағындық режимге арнап құжатталған. Мәнерлі сөйлемді осы басқару құралдарына сәйкес келетін режимде дайындаңыз.

Өндірушінің сөйлеу интерфейсі PCM, WAV, MP3 және Opus пішімдерін қолдайды. Көрсетілген дискреттеу жиіліктері — 8 000, 16 000, 22 050, 24 000, 44 100 және 48 000 Hz; әдепкі мәндер — MP3 және 22 050 Hz. Дыбыс деңгейі 0-ден 100-ге дейін, ал сөйлеу жылдамдығы мен дауыс биіктігінің әрқайсысы 0,5-тен 2,0-ге дейін өзгереді. MP3 және Opus үшін 6-дан 510 kbps-ке дейінгі битрейт параметрі де бар. Пішім мен дискреттеу жиілігін жоспарланған ойнатқышқа немесе өңдеу үдерісіне сай таңдаңыз. Интерактивті қолданба үшін өндіруші ағындық аудио кадрлары мен сөйлем метадеректерін сипаттайды; сәйкес келетін дауыстарда, соның ішінде клондалған дауыстарда, ағындық шығыста сөз деңгейіндегі уақыт белгілері қолжетімді.

Құжатталған WebSocket мәтіндік протоколы бір мәтіндік хабарламада 20 000 таңбаға дейін, ал бір тапсырма бойы жиынтық түрде 200 000 таңбаға дейін қабылдайды. Жіберілімдер арасындағы үзіліс 23 секундтан аспауы керек. Бұлар — өндіруші протоколының шектері; олар модель шығаратын аудио ұзақтығының әмбебап шегінен бөлек. Протокол ағымдағы синтездеу әрекетін тоқтатуды және сол қосылымда келесі тапсырманы бастауды қолдайды. Мәтін бөліктерін айтылуы тиіс ретпен беріп, мәтін аяқталғанда енгізуді аяқтаңыз. Айтылымды дайындау үшін өндіруші мақсатты тілге қатысты нұсқауларды, пиньинь аннотацияларын және мәтін алмастыруларын сипаттайды. Бұлар цифрлар, қысқартулар немесе таңбалар күтілмеген түрде дыбысталғанда пайдалы.

SSML — дауыс пен өзара әрекет режиміне қатысты шарттары бар бөлек белгілеу тәсілі. Qwen оны клондалған дауыстар үшін ағынсыз немесе бір бағытты ағындық шақыруларда құжаттайды; SSML қосылғанда мәтін бір рет жіберіледі. Оны әр дайын дауысқа немесе екі бағытты ағынға қолдануға болады деп ойлауға болмайды. Қалыпты диалог үшін үйлесімді дауыстан, таза дыбысталатын мәтіннен және нақты айту мәнері нұсқауынан бастаңыз; тапсырма талап ететін жерде ғана айтылымға немесе мәнерге қатысты нысаналы басқару құралдарын қосыңыз. Осылайша Flash сипаттамасы басқа Qwen аудио модельдерінің мүмкіндіктеріне емес, дайын мәтінді жедел дыбыстауға бағытталады.

Ailoot Ultra · Дыбыстау POST /v1/audio/speech qwen/qwen-audio-3.0-tts-flash

qwen/qwen-audio-3.0-tts-flash

Alibaba /qwen/qwen-audio-3.0-tts-flash

Бастау

Қабылданатын кіріс деректері: Мәтін
Нәтижелер: Аудио

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Дыбыстау POST /v1/audio/speech

Кіріс: text
Шығыс: audio
Шығыс пішімі: mp3

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер qwen/qwen-audio-3.0-tts-flash	Әдепкі—
Өріс`input`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер Ең аз ұзындық: 1 Бірлік: Unicode таңбалары	Әдепкі—
Өріс`voice`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер loongjohn, longanhuan_v3.6	Әдепкі—
Өріс`response_format`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер mp3	Әдепкі—

Кіріс материалдарының үйлесімдері

text_to_speech · Міндетті: input

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыapplication/json
Параметр`required`	Параметр талаптарыmodel, input, voice, response_format
Параметр`voice_ids`	Параметр талаптарыloongjohn, longanhuan_v3.6
Параметр`response_format`	Параметр талаптарыmp3
Параметр`max_input_characters`	Параметр талаптарыnull
Параметр`other_options`	Параметр талаптарыfalse
Параметр`input`	Параметр талаптарыдәл UTF-8 мәтіні; қалыпқа келтірмей есептелген Unicode таңбалар саны
Параметр`material_types`	Параметр талаптарыtext

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Нақты қайтарылған task_id немесе медиатека жазбасы

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Осы модель профилінен нақты дауысты таңдаңыз.

Кіріс таңбалары мен аудио секундтары бөлек есептеу бірліктері болып саналады.

Тарифтер

Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.

Жылдам режим: Көрсетілмеген Жылдам режим таңдалғанда
Икемді режим: Көрсетілмеген flex режимі таңдалғанда
Ой қорытудың ең жоғары деңгейі: Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда

Ailoot мөлшерлемелері

Баптаулар бойынша бағалар

Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.

Баптау	Мөлшерлемелер кестесі	Төленетін мөлшер	Есептеу бірлігі	Төлем
БаптауТокендердің базалық тарифтері	Мөлшерлемелер кестесіНегізгі мөлшерлеме	Төленетін мөлшер—	Есептеу бірлігі—	Төлем Кіріс · Кіріс токендері — / 1K токен Шығыс · Шығыс токендері — / 1K токен Кіріс · Кэшті оқу — / 1K токен Кіріс · Кэшке жазу — / 1K токен Кіріс · Кэшке жазу, 1 сағ — / 1K токен
БаптауUltra	Мөлшерлемелер кестесі—	Төленетін мөлшерӘр Unicode код нүктесі, соның ішінде Han таңбалары, бір таңба болып саналады.	Есептеу бірлігі1K кіріс таңбасы үшін	Төлем Кіріс · кіріс таңбасы $0.03 1K кіріс таңбасы үшін

Анықтамалық тариф мәліметтері

Модельдің анықтамалық кестелері әдіс таңдауын, баға есебін не төлемді өзгертпейді. Қолданыстағы төлемдер таңдалған Ailoot әдісінің мөлшерлемелерімен есептеледі.

Qwen: Qwen-Audio-3.0-TTS Flash

Баптаулар бойынша бағалар

Баптау	Төлемді есептеу шарттары	Төлем
БаптауQwen: Qwen-Audio-3.0-TTS Flash · Әдепкі конфигурация	Төлемді есептеу шарттарыӘдепкі баптау	Төлем Кіріс · Кіріс таңбалары 0,00003 $ кіріс таңбасы үшін

Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →

Сұрау мысалдары

Ailoot Ultra · Дыбыстау

curl

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

Нәтижелерді алу және сақтау

Ailoot Ultra · Дыбыстау

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Басқа мазмұнды оқу

Медиа кітапханасыТапсырма күйіМатериал мәліметтері

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

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

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

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Толық бинарлық нәтижені және тақырыптарды сақтаңыз. JSON/бірнеше нәтиже қайтарылса, әрбір дерек элементін сақтап, активке берілген әрбір нақты қолтаңбаланған URL мекенжайынан жүктеп алыңыз.

Бастапқы жауапты тексеру қажет болса

Қайта жібермей салыстырып тексеру үшін бастапқы operation_id/X-Client-Request-ID мәнін сақтаңыз; аудио күйін мерзімді түрде сұратуға арналған жеке маршрут жоқ.

Жауап өрістері

Өріс	Түрі
Өріс`binary audio`	Түріbytes
Өріс`response headers`	Түріheaders

Қателер және келесі қадамдар

Жауап	Шарт	Келесі қадам
Жауап400 · `invalid_request_error`	ШартМіндетті өрістер, материалды ұсыну тәсілі немесе параметр мәні қате	Келесі қадамЖаңадан жасау сұрауын жібермес бұрын көрсетілген өрістерді түзетіңіз.
Жауап`server_error`	ШартҚайтарылған жауапта операцияны немесе нәтижені тексеру қажет екені көрсетілген	Келесі қадамБастапқыда қайтарылған операцияның/тапсырманың ID мәнін, сұрау тақырыптарын және жауабын сақтаңыз; сол бастапқы операцияны қолдау көрсетілетін тәсілдермен оқуды жалғастырыңыз. Жасау сұрауын қайта жібермеңіз.

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra qwen/qwen-audio-3.0-tts-flash

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

qwen/qwen-audio-3.0-tts-flash

FAQ · Qwen: Qwen-Audio-3.0-TTS Flash

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/speech · qwen/qwen-audio-3.0-tts-flash: text → audio
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/speech · qwen/qwen-audio-3.0-tts-flash: model, input, voice, response_format

Qwen: Qwen-Audio-3.0-TTS Flash