qwen-audio-3.0-tts-plus
En modell for uttrykksfull tekst-til-tale til videoer, lydbøker og stemmemateriale. Støtter styring av talestil og valg av en ferdig stemme eller en stemme laget fra en prøve.
- Ailoot · Talesyntese
POST /v1/audio/speechqwen-audio-3.0-tts-plus - Ailoot · Talesyntese
POST /v1/audio/speechqwen-tts - Ailoot · Talesyntese
POST /v1/audio/speechqwen-tts-latest
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-Audio-3.0-TTS-Plus gjør tekst om til uttrykksfull tale. Alibaba retter modellen mot profesjonell opplesing av innhold, lydbøker, video og materiale med et gjenkjennelig stemmepreg. Inndata er tekst og utdata er lyd; lyden kan også leveres underveis i syntesen.
Talestilen som del av oppgaven
Fremføringen kan angis med instruksjoner i naturlig språk og detaljerte styringsmarkeringer. De bestemmer følelser, tone, karakter, tempo, volum og talestil. Dette gjør det mulig å styre fremføringen av samme setning, fra rolig fortelling til en mer energisk eller følelsespreget stil.
Uttrykksfullheten henger sammen med den valgte stemmen og tekstinnholdet. For stabil uttale må materialets språk være et språk stemmen støtter. Modellen er ment å lese opp skrevet materiale; forståelse av en samtale og transkripsjon av et kildeopptak er andre lydoppgaver.
Ferdig stemme og stemme fra en prøve
Det finnes to systemstemmer: en varm kvinnestemme og en livlig mannsstemme. De støtter kinesisk og engelsk. I tillegg tilbys mer enn 500 grunnstemmer og mulighet for å gjenskape en stemme fra en taleprøve. Produsenten anbefaler systemstemmene når stabil klang er viktig.
En stemme basert på en prøve støtter kinesisk med regionale uttalevarianter, engelsk, fransk, tysk, japansk, koreansk, russisk, portugisisk, thai, indonesisk, vietnamesisk, italiensk, spansk, malayisk, filippinsk og arabisk. Dette er språkstøtten i den aktuelle modusen og gjelder ikke automatisk hver ferdige stemme.
Kravene til prøven gjelder en egen måte å lage en stemme hos produsenten på; talesyntesen bruker en stemme som allerede er klargjort. Den klargjorte stemmen må passe til den valgte tekst-til-tale-modellen: en stemme fra en annen modell gir en syntesefeil hos produsenten. En ren taleprøve på 10–20 sekunder anbefales. Den samlede grensen er 60 sekunder og 10 MB; minst fem sekunder sammenhengende tale kreves. WAV med 16-bits representasjon, MP3 og M4A støttes ved en samplingsfrekvens på minst 16 kHz. Én eller to kanaler tillates, men ved to brukes den første.
Taleprøven må inneholde én stemme uten personer som snakker samtidig, musikk eller sang. Produsentens krav begrenser korte pauser i prøven til to sekunder. Dette bidrar til å skille ut klang og uttaletrekk som trengs i den videre syntesen. Styring av fremføring og gjenskaping av en stemme fra en prøve beskriver ulike sider av modellens virkemåte og kan brukes for å forme lyden i samme materiale.
Ailoot · Talesyntese POST /v1/audio/speech qwen-audio-3.0-tts-plus
qwen-audio-3.0-tts-plusqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
Start
En modell for uttrykksfull tekst-til-tale til videoer, lydbøker og stemmemateriale. Støtter styring av talestil og valg av en ferdig stemme eller en stemme laget fra en prøve.
- Godkjente inndata
- Tekst
- Resultater
- speech
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Talesyntese POST /v1/audio/speech
- Inndatatyper
text- Utdatatyper
speech- Utdataformat
- Valgt mp3/wav/pcm
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-audio-3.0-tts-plus | Standard— |
Feltinput | Typestring | KravPåkrevd | Verdier & grenser Minste lengde: 1 Maksimal lengde: 600 Enhet: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravValgfritt | Verdier & grenser Eksempler: longanlingxin, longanlufeng Godkjent tilpasset mønster: ^qwen-audio-3\.0-tts-plus- Vilkår: Faktiske egendefinerte stemme-ID-er med det eksakte prefikset qwen-audio-3.0-tts-plus- godtas. | Standardlonganlingxin |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser mp3, wav, pcm | Standardmp3 |
Feltsample_rate | Typeinteger | KravValgfritt | Verdier & grenser 16 000, 24 000, 48 000 Enhet: Hz | Standard24 000 |
Kombinasjoner av inngående materialer
text_to_speech · Påkrevd: input
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalenull |
Parameteroptional_controls | Avtalenull |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/audio/speech- Inndata
- 20,00 USD per 1 million tegn
- Utdata
- 0,00 USD per forespørsel
20,00 USD per 1 million avregningstegn. Et CJK-ideogram regnes som 2 avregningstegn: 40,00 USD per 1 million ideogrammer. Vekt for øvrige Unicode-tegn: 1. Utgående lyd: 0,00 USD.
Eksakt betinget avregning fra katalogen
{
"cjk_ideograph_weight": 2,
"input_usd_per_10000_counted_characters": 0.2,
"other_unicode_character_weight": 1,
"output_audio_usd": 0,
"unit": "counted_unicode_characters"
}Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Talesyntese
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen-audio-3.0-tts-plus", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
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
Motta og lagre resultater
Ailoot · Talesyntese
Valgt mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele det binære resultatet og svarhodene. Hvis JSON eller flere utdata returneres, bevar hvert dataelement og hent innholdet fra hver faktiske signerte ressurs-URL.
Hvis det opprinnelige svaret må kontrolleres
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
Svarfelter
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Aliaser
Modellaliaser
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
Ailoot · Talesyntese POST /v1/audio/speech qwen-tts
qwen-ttsqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
Start
En modell for uttrykksfull tekst-til-tale til videoer, lydbøker og stemmemateriale. Støtter styring av talestil og valg av en ferdig stemme eller en stemme laget fra en prøve.
- Godkjente inndata
- Tekst
- Resultater
- speech
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Talesyntese POST /v1/audio/speech
- Inndatatyper
text- Utdatatyper
speech- Utdataformat
- Valgt mp3/wav/pcm
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-tts | Standard— |
Feltinput | Typestring | KravPåkrevd | Verdier & grenser Minste lengde: 1 Maksimal lengde: 600 Enhet: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravValgfritt | Verdier & grenser Eksempler: longanlingxin, longanlufeng Godkjent tilpasset mønster: ^qwen-audio-3\.0-tts-plus- Vilkår: Faktiske egendefinerte stemme-ID-er med det eksakte prefikset qwen-audio-3.0-tts-plus- godtas. | Standardlonganlingxin |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser mp3, wav, pcm | Standardmp3 |
Feltsample_rate | Typeinteger | KravValgfritt | Verdier & grenser 16 000, 24 000, 48 000 Enhet: Hz | Standard24 000 |
Kombinasjoner av inngående materialer
text_to_speech · Påkrevd: input
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalenull |
Parameteroptional_controls | Avtalenull |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/audio/speech- Inndata
- 20,00 USD per 1 million tegn
- Utdata
- 0,00 USD per forespørsel
20,00 USD per 1 million avregningstegn. Et CJK-ideogram regnes som 2 avregningstegn: 40,00 USD per 1 million ideogrammer. Vekt for øvrige Unicode-tegn: 1. Utgående lyd: 0,00 USD.
Eksakt betinget avregning fra katalogen
{
"cjk_ideograph_weight": 2,
"input_usd_per_10000_counted_characters": 0.2,
"other_unicode_character_weight": 1,
"output_audio_usd": 0,
"unit": "counted_unicode_characters"
}Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Talesyntese
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen-tts", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
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
Motta og lagre resultater
Ailoot · Talesyntese
Valgt mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele det binære resultatet og svarhodene. Hvis JSON eller flere utdata returneres, bevar hvert dataelement og hent innholdet fra hver faktiske signerte ressurs-URL.
Hvis det opprinnelige svaret må kontrolleres
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
Svarfelter
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Aliaser
Modellaliaser
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
Ailoot · Talesyntese POST /v1/audio/speech qwen-tts-latest
qwen-tts-latestqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
Start
En modell for uttrykksfull tekst-til-tale til videoer, lydbøker og stemmemateriale. Støtter styring av talestil og valg av en ferdig stemme eller en stemme laget fra en prøve.
- Godkjente inndata
- Tekst
- Resultater
- speech
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Talesyntese POST /v1/audio/speech
- Inndatatyper
text- Utdatatyper
speech- Utdataformat
- Valgt mp3/wav/pcm
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-tts-latest | Standard— |
Feltinput | Typestring | KravPåkrevd | Verdier & grenser Minste lengde: 1 Maksimal lengde: 600 Enhet: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravValgfritt | Verdier & grenser Eksempler: longanlingxin, longanlufeng Godkjent tilpasset mønster: ^qwen-audio-3\.0-tts-plus- Vilkår: Faktiske egendefinerte stemme-ID-er med det eksakte prefikset qwen-audio-3.0-tts-plus- godtas. | Standardlonganlingxin |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser mp3, wav, pcm | Standardmp3 |
Feltsample_rate | Typeinteger | KravValgfritt | Verdier & grenser 16 000, 24 000, 48 000 Enhet: Hz | Standard24 000 |
Kombinasjoner av inngående materialer
text_to_speech · Påkrevd: input
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalenull |
Parameteroptional_controls | Avtalenull |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/audio/speech- Inndata
- 20,00 USD per 1 million tegn
- Utdata
- 0,00 USD per forespørsel
20,00 USD per 1 million avregningstegn. Et CJK-ideogram regnes som 2 avregningstegn: 40,00 USD per 1 million ideogrammer. Vekt for øvrige Unicode-tegn: 1. Utgående lyd: 0,00 USD.
Eksakt betinget avregning fra katalogen
{
"cjk_ideograph_weight": 2,
"input_usd_per_10000_counted_characters": 0.2,
"other_unicode_character_weight": 1,
"output_audio_usd": 0,
"unit": "counted_unicode_characters"
}Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Talesyntese
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen-tts-latest", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
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
Motta og lagre resultater
Ailoot · Talesyntese
Valgt mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele det binære resultatet og svarhodene. Hvis JSON eller flere utdata returneres, bevar hvert dataelement og hent innholdet fra hver faktiske signerte ressurs-URL.
Hvis det opprinnelige svaret må kontrolleres
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
Svarfelter
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Aliaser
Modellaliaser
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · qwen-audio-3.0-tts-plus
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/speech·qwen-audio-3.0-tts-plus:text→speechPOST /v1/audio/speech·qwen-tts:text→speechPOST /v1/audio/speech·qwen-tts-latest:text→speech- Hvilke felt bruker forespørselen?
POST /v1/audio/speech·qwen-audio-3.0-tts-plus:model,input,voice,response_format,sample_ratePOST /v1/audio/speech·qwen-tts:model,input,voice,response_format,sample_ratePOST /v1/audio/speech·qwen-tts-latest:model,input,voice,response_format,sample_rate- Hvilke grenser gjelder?
POST /v1/audio/speech·qwen-audio-3.0-tts-plus:input.maximum_length:600POST /v1/audio/speech·qwen-tts:input.maximum_length:600POST /v1/audio/speech·qwen-tts-latest:input.maximum_length:600