qwen-audio-3.0-tts-plus
Model do ekspresyjnej syntezy mowy z tekstu na potrzeby filmów, audiobooków i materiałów głosowych. Obsługuje sterowanie sposobem wypowiedzi oraz wybór gotowego głosu lub głosu utworzonego na podstawie próbki.
- Ailoot · Synteza mowy
POST /v1/audio/speechqwen-audio-3.0-tts-plus - Ailoot · Synteza mowy
POST /v1/audio/speechqwen-tts - Ailoot · Synteza mowy
POST /v1/audio/speechqwen-tts-latest
O modelu
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-Audio-3.0-TTS-Plus zamienia tekst w ekspresyjną mowę. Alibaba przeznacza go do profesjonalnego udźwiękowienia treści, audiobooków, filmów i materiałów z rozpoznawalnym charakterem głosu. Na wejściu podawany jest tekst, a na wyjściu powstaje dźwięk; obsługiwane jest również zwracanie dźwięku w miarę syntezy.
Sposób wypowiedzi jako część zadania
Sposób wypowiedzi można określać za pomocą instrukcji w języku naturalnym i szczegółowych znaczników sterujących. Określają one emocje, ton, charakter, tempo, głośność i styl mowy. Pozwala to ukierunkować wykonanie tej samej frazy: od spokojnej narracji po bardziej energiczną lub emocjonalną wypowiedź.
Ekspresyjność wiąże się z wybranym głosem i treścią tekstu. Aby uzyskać stabilną wymowę, język materiału musi odpowiadać językom obsługiwanym przez głos. Model służy do odczytywania pisanego materiału; analiza sensu rozmowy i transkrypcja nagrania źródłowego należą do innych zadań dźwiękowych.
Gotowy głos i głos na podstawie próbki
Dostępne są dwa głosy systemowe: ciepły kobiecy i pogodny męski. Obsługują język chiński i angielski. Oprócz nich przewidziano ponad 500 głosów podstawowych oraz możliwość odtworzenia głosu na podstawie próbki mowy. Producent zaleca warianty systemowe, gdy potrzebne jest stabilne brzmienie.
Głos na podstawie próbki obsługuje język chiński z regionalnymi wariantami wymowy, angielski, francuski, niemiecki, japoński, koreański, rosyjski, portugalski, tajski, indonezyjski, wietnamski, włoski, hiszpański, malajski, filipiński i arabski. Jest to możliwość językowa danego trybu; nie przenosi się automatycznie na każdy gotowy głos.
Wymagania dotyczące próbki odnoszą się do osobnego sposobu tworzenia głosu u producenta; podczas syntezy mowy używa się już przygotowanego głosu. Przygotowany głos musi odpowiadać wybranemu modelowi syntezy mowy: użycie głosu innego modelu u producenta powoduje błąd syntezy. Jako próbkę zaleca się czystą mowę o długości 10–20 sekund. Ogólny limit wynosi 60 sekund i 10 MB; wymagane jest co najmniej pięć sekund nieprzerwanej mowy. Obsługiwane są WAV z reprezentacją 16-bitową, MP3 i M4A przy częstotliwości nie mniejszej niż 16 kHz. Dopuszczalny jest jeden lub dwa kanały, ale przy dwóch wykorzystywany jest pierwszy.
Próbka mowy musi zawierać jeden głos, bez jednocześnie mówiących osób, muzyki i śpiewu. W wymaganiach producenta krótkie pauzy w próbce są ograniczone do dwóch sekund. Pomaga to wyodrębnić barwę głosu i cechy wymowy potrzebne do dalszej syntezy. Sterowanie sposobem wypowiedzi i odtwarzanie głosu na podstawie próbki opisują różne aspekty działania modelu i mogą służyć do przygotowania brzmienia tego samego materiału.
Ailoot · Synteza mowy 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
Model do ekspresyjnej syntezy mowy z tekstu na potrzeby filmów, audiobooków i materiałów głosowych. Obsługuje sterowanie sposobem wypowiedzi oraz wybór gotowego głosu lub głosu utworzonego na podstawie próbki.
- Akceptowane dane wejściowe
- Tekst
- Wyniki
- speech
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Synteza mowy POST /v1/audio/speech
- Wejście
text- Wyjście
speech- Format wyjściowy
- wybrane mp3/wav/pcm
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-audio-3.0-tts-plus | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 Maksymalna długość: 600 Jednostka: znaki Unicode | Domyślnie— |
Polevoice | Typstring | WymaganieOpcjonalne | Wartości i limity Przykłady: longanlingxin, longanlufeng Akceptowany wzorzec niestandardowy: ^qwen-audio-3\.0-tts-plus- Warunki: Akceptowane są rzeczywiste identyfikatory głosów niestandardowych z dokładnym prefiksem qwen-audio-3.0-tts-plus-. | Domyślnielonganlingxin |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity mp3, wav, pcm | Domyślniemp3 |
Polesample_rate | Typinteger | WymaganieOpcjonalne | Wartości i limity 16 000, 24 000, 48 000 Jednostka: Hz | Domyślnie24 000 |
Kombinacje materiałów wejściowych
text_to_speech · Wymagane: input
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/speech- Wejście
- 20,00 USD za 1 milion znaków
- Wyjście
- 0,00 USD za żądanie
20,00 USD za 1 mln znaków rozliczeniowych. Ideogram CJK liczy się jako 2 znaki rozliczeniowe: 40,00 USD za 1 mln ideogramów. Waga pozostałych znaków Unicode: 1. Audio na wyjściu: 0,00 USD.
Dokładne warunkowe zasady rozliczania z katalogu
{
"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 rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot · Synteza mowy
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
Odbieranie i zapisywanie wyników
Ailoot · Synteza mowy
wybrane mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Aliasy
Aliasy modelu
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
Ailoot · Synteza mowy POST /v1/audio/speech qwen-tts
qwen-ttsqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
Start
Model do ekspresyjnej syntezy mowy z tekstu na potrzeby filmów, audiobooków i materiałów głosowych. Obsługuje sterowanie sposobem wypowiedzi oraz wybór gotowego głosu lub głosu utworzonego na podstawie próbki.
- Akceptowane dane wejściowe
- Tekst
- Wyniki
- speech
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Synteza mowy POST /v1/audio/speech
- Wejście
text- Wyjście
speech- Format wyjściowy
- wybrane mp3/wav/pcm
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-tts | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 Maksymalna długość: 600 Jednostka: znaki Unicode | Domyślnie— |
Polevoice | Typstring | WymaganieOpcjonalne | Wartości i limity Przykłady: longanlingxin, longanlufeng Akceptowany wzorzec niestandardowy: ^qwen-audio-3\.0-tts-plus- Warunki: Akceptowane są rzeczywiste identyfikatory głosów niestandardowych z dokładnym prefiksem qwen-audio-3.0-tts-plus-. | Domyślnielonganlingxin |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity mp3, wav, pcm | Domyślniemp3 |
Polesample_rate | Typinteger | WymaganieOpcjonalne | Wartości i limity 16 000, 24 000, 48 000 Jednostka: Hz | Domyślnie24 000 |
Kombinacje materiałów wejściowych
text_to_speech · Wymagane: input
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/speech- Wejście
- 20,00 USD za 1 milion znaków
- Wyjście
- 0,00 USD za żądanie
20,00 USD za 1 mln znaków rozliczeniowych. Ideogram CJK liczy się jako 2 znaki rozliczeniowe: 40,00 USD za 1 mln ideogramów. Waga pozostałych znaków Unicode: 1. Audio na wyjściu: 0,00 USD.
Dokładne warunkowe zasady rozliczania z katalogu
{
"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 rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot · Synteza mowy
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
Odbieranie i zapisywanie wyników
Ailoot · Synteza mowy
wybrane mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Aliasy
Aliasy modelu
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
Ailoot · Synteza mowy POST /v1/audio/speech qwen-tts-latest
qwen-tts-latestqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
Start
Model do ekspresyjnej syntezy mowy z tekstu na potrzeby filmów, audiobooków i materiałów głosowych. Obsługuje sterowanie sposobem wypowiedzi oraz wybór gotowego głosu lub głosu utworzonego na podstawie próbki.
- Akceptowane dane wejściowe
- Tekst
- Wyniki
- speech
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Synteza mowy POST /v1/audio/speech
- Wejście
text- Wyjście
speech- Format wyjściowy
- wybrane mp3/wav/pcm
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-tts-latest | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 Maksymalna długość: 600 Jednostka: znaki Unicode | Domyślnie— |
Polevoice | Typstring | WymaganieOpcjonalne | Wartości i limity Przykłady: longanlingxin, longanlufeng Akceptowany wzorzec niestandardowy: ^qwen-audio-3\.0-tts-plus- Warunki: Akceptowane są rzeczywiste identyfikatory głosów niestandardowych z dokładnym prefiksem qwen-audio-3.0-tts-plus-. | Domyślnielonganlingxin |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity mp3, wav, pcm | Domyślniemp3 |
Polesample_rate | Typinteger | WymaganieOpcjonalne | Wartości i limity 16 000, 24 000, 48 000 Jednostka: Hz | Domyślnie24 000 |
Kombinacje materiałów wejściowych
text_to_speech · Wymagane: input
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/speech- Wejście
- 20,00 USD za 1 milion znaków
- Wyjście
- 0,00 USD za żądanie
20,00 USD za 1 mln znaków rozliczeniowych. Ideogram CJK liczy się jako 2 znaki rozliczeniowe: 40,00 USD za 1 mln ideogramów. Waga pozostałych znaków Unicode: 1. Audio na wyjściu: 0,00 USD.
Dokładne warunkowe zasady rozliczania z katalogu
{
"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 rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot · Synteza mowy
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
Odbieranie i zapisywanie wyników
Ailoot · Synteza mowy
wybrane mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Aliasy
Aliasy modelu
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
FAQ · qwen-audio-3.0-tts-plus
- Jakie dane wejściowe i wyniki są dostępne?
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- Jakich pól używa żądanie?
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- Jakie limity obowiązują?
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