Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus — баяндауға, аудиокітаптарға және дубляжға арналған егжей-тегжейлі, табиғи әрі мәнерлі аудиоға бағытталған Qwen мәтіннен сөйлеу жасау моделі. Ол модельге тән дайын немесе клондалған дауыстарды, ағындық шығысты және сөйлеу мәнерін қалыптастыратын нұсқаулар не тегтерді қолдайды.

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

Модель туралы

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

Qwen-Audio-3.0-TTS-Plus жазбаша мәтінді мәнерлі сөйлеуге айналдырады; Plus нұсқасы синтез сапасына, табиғилыққа және дауыс мәнерінің егжей-тегжейіне бағытталған. Qwen негізгі қолданулар ретінде контент жасауды, аудиокітаптарды, фильмдер мен видеоларды дубляждауды және кәсіби сөйлеу өндірісін атайды. Модельдің жаңартылған профилі дерек қоры аз тілдер мен қытай диалектілерін кеңірек қолдауды, диалектінің шынайылығын жақсартуды және эмоцияны, үнді, кейіпкерді, сөйлеу қарқынын, дыбыс деңгейін және стильді күштірек басқаруды сипаттайды. Өндіруші сондай-ақ шуылы бар немесе жаңғырықты акустикалық жағдайда анықтықтың, ажыратымдылықтың және тұрақтылықтың жақсарғанын хабарлайды.

Plus — осы мәтіннен сөйлеу жасау тобының сапаға бағытталған нұсқасы; Flash нақты уақыттағы әрекеттесу үшін бөлек ұсынылады. Баяндауды мақсатты аудиториясы, қарқыны және эмоциялық бағыты анықталған айтылатын сценарий ретінде дайындаңыз. Аудиокітап үзіндісіне арналған тапсырма мысалы анық артикуляцияны, бірқалыпты қарқынды және ұстамды жылылықты сұрауы мүмкін; видеоның дыбыстауы үшін салмақты бастау мен одан кейін жігерлірек түсіндірме сұралуы мүмкін. Бұлар берілген сөздерді айту мәнерінің таңдаулары. Модель толық визуалды көрініс жасаушы немесе сөйлеуді мәтінге түсіру қызметі емес, сөйлеу синтезаторы.

Plus нұсқасының ресми жүйелік дауыстарына жылы әрі жанашыр деп сипатталған Long An Ling Xin және ашық әрі көңілді деп сипатталған Long An Lu Feng кіреді. Екеуі де Mandarin және ағылшын тілі үшін көрсетілген. Өндіруші осы нұсқаға 500-ден астам базалық дауысты да ұсынады; таңдамас бұрын бағалауға арналған үлгілері бар. Біріздірек синтез үшін жүйелік дауыстарды ұсынады. Дауысты дәл Plus тізімінен таңдап, сценарий тілін сол дауыс қолдайтын тілдермен сәйкестендіріңіз; Flash дауысы бір жалпы топқа жатқаны үшін ғана алмастырылмайды.

Модель үлгіге негізделген дауыс клондауын қолдайды. Құжатталған клондалған дауыс тілдеріне қытай, ағылшын, жапон, корей, орыс, француз, неміс, португал, тай, индонезия, вьетнам, испан, итальян, малай, филиппин және араб тілдері кіреді. Қытай нұсқаларына Mandarin, Cantonese, Chongqing, Northeastern, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainese, Sichuan және Yunnan кіреді; диалектілер нұсқаулар арқылы басқарылады. Өндірушінің модель кестесі клондауды мәтіндік сипаттамадан дауыс жасаудан ажыратады: Plus клондауды қолдайды, ал сол бөлек дауыс жобалау режимін қолдамайды.

Клондау үшін қолайлы үлгі — қалыпты жылдамдықтағы анық сөйлеу; музыка, фондық шу, қатар сөйлейтін адамдар немесе ән болмауы тиіс. Өндіруші 10–20 секундты ұсынады және көлемі 10 MB-тан аспайтын файлда 60 секундқа дейін рұқсат етеді. Үлгі пішімдері — 16-биттік WAV, MP3 және M4A; дискреттеу жиілігі кемінде 16 kHz. Кемінде бес секунд үздіксіз анық сөйлеу қажет, ал қалған үзілістердің екі секундтан аспауы ұсынылады. Стерео үшін тек бірінші арна өңделеді. Жасалған дауыс идентификаторы Plus нұсқасына байланыстырылып, дайын болғанда синтез үшін қолданылады; сол үлгіні Flash арқылы қайталау үшін бөлек жасалған Flash дауысы қажет.

Табиғи тілдегі нұсқаулар жүйелік және клондалған дауыстардың үнін, қарқынын, эмоциясын және тембрін қалыптастыра алады. Жақсы дауыс сұрайтын көмескі өтініштің орнына естілетін нақты сипаттамаларды қолданыңыз. Мәтін ішіндегі эмоция тегтері сценарий ішінде стиль орната алады, ал мәнерлі тіл тегтері таңдалған нүктеге дауыс әсерін қосады. Мысалы, [serious] одан кейінгі сөйлеу мәнерін өзгертеді, ал [sighing] айналасындағы эмоциялық стильді өзгертпей күрсінуді қосады. Басқару тегтері келесі басқару тегіне немесе сөйлемдерді автоматты бөлуге дейін әрекет етеді. Бұл тегтік мүмкіндік тек бір бағытты ағын үшін құжатталған, сондықтан оның қолданылу аясы екі бағытты мәтін кірісінде пайдаланылатын нұсқаулардан өзгеше.

Өндірушінің шығыс пішімдері — PCM, WAV, MP3 және Opus; көрсетілген дискреттеу жиіліктері 8 000, 16 000, 22 050, 24 000, 44 100 және 48 000 Hz. Құжатталған әдепкі мәндер — MP3 және 22 050 Hz. Дыбыс деңгейін 0-ден 100-ге дейін, қарқын мен дыбыс биіктігін 0.5-тен 2.0-ге дейін орнатуға болады; MP3 пен Opus қосымша 6-дан 510 kbps-ке дейін битрейтке рұқсат етеді. Ойнату не өңдеуге қажет пішімді таңдап, ұзақ туындының бөлімдері бойында баптауларды бірдей ұстаңыз. Ағындық шығыс аудио кадрларын және сөйлем метадеректерін қамтиды; қолайлы дауыстарда, соның ішінде клондалған дауыстарда, сөз уақыт белгілері қолжетімді.

Құжатталған WebSocket мәтін кірісі үдерісі әр хабарламаға 20 000 таңба және жиынтықта 200 000 таңбаға рұқсат етеді, әрі жіберу аралығының 23 секундтан аспауын талап етеді. Ол толық сценарийді немесе реттелген мәтін бөліктерін қабылдап, кіріс аяқталғанда біте алады. Өндіруші қазіргі синтез айналымын тоқтатуды да құжаттайды. Бұлар жасалатын аудио ұзақтығының әмбебап шегі емес, сол протоколдың шектеулері мен мінез-құлқы. Ұзақ баяндау үшін сценарийді бірізді бөлімдерге ұйымдастырып, туындыны бірізді жинап тексеру мүмкін болуы үшін олардың ретін және мәтінін алынған аудиомен бірге сақтаңыз.

Айтылым үшін өндіруші цифрлардың, қысқартулардың, таңбалардың немесе сөздердің қажетсіз оқылуын түзететін мақсатты тіл нұсқауларын, pinyin белгілерін және мәтінді алмастыруды ұсынады. SSML — жарамдылық шарттары бар бөлек белгілеу режимі: Qwen құжаттары оны клондалған дауыстар үшін ағынсыз немесе бір бағытты ағындық шақыруларда қолдайды; қосылғанда мәтін тек бір рет жіберіледі. Бұл барлық жүйелік дауыстарға немесе екі бағытты ағынға SSML қолдауын бекітпейді. Практикалық Plus үдерісі үйлесімді дауыс пен дайын сценарийден басталып, кейін баяндалатын үзіндіге нақты сөйлеу мәнері мен айтылым таңдауларын қосады.

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

qwen/qwen-audio-3.0-tts-plus

Alibaba /qwen/qwen-audio-3.0-tts-plus

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-plus	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 longanlingxin, longanlufeng	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 талаптарыlonganlingxin, longanlufeng
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 $0.04 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 Plus

Баптаулар бойынша бағалар

Баптау	Төлемді есептеу шарттары	Төлем
БаптауQwen: Qwen-Audio-3.0-TTS Plus · Әдепкі конфигурация	Төлемді есептеу шарттарыӘдепкі баптау	Төлем Кіріс · Кіріс таңбалары 0,00004 $ 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-plus", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["longanlingxin", "longanlufeng"]')
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-plus

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

qwen/qwen-audio-3.0-tts-plus

FAQ · Qwen: Qwen-Audio-3.0-TTS Plus

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

Qwen: Qwen-Audio-3.0-TTS Plus