Qwen-Audio-3.0-TTS-Flash zamienia dostarczony tekst w mowę, a edycja Flash koncentruje się na interakcji w czasie rzeczywistym. Qwen wskazuje asystentów głosowych, interaktywny dialog i inteligentną obsługę klienta jako główne zastosowania. W porównaniu z poprzednią wersją producent opisuje szerszą obsługę języków o niewielkich zasobach i chińskich dialektów, bardziej autentyczny sposób wyrażania się w dialektach oraz większą kontrolę nad emocjami, tonem, charakterem, szybkością, głośnością i stylem mówienia. Informuje także o poprawie wyrazistości i odporności w warunkach akustycznych z hałasem lub pogłosem. Jest to synteza tekstu do postaci dźwięku, a nie rozpoznawanie przychodzącej mowy czy model dialogu głosowego.
Flash priorytetowo traktuje szybkie rozpoczęcie mowy podczas interakcji. Qwen podaje dla syntezy tego modelu w czasie rzeczywistym opóźnienie do pierwszego pakietu nieprzekraczające 200 milisekund; przewodnik użytkowania zaznacza również, że początkowe nawiązanie połączenia wpływa na zmierzone opóźnienie pierwszego przesłania. Przygotuj właściwe słowa do wypowiedzenia oddzielnie od opisu pożądanego sposobu mówienia. Przykładowe zlecenie odpowiedzi asystenta głosowego może łączyć zwięzłą odpowiedź z instrukcją spokojnego, wyraźnego mówienia. Istotnym wynikiem jest mowa wygenerowana dla tego tekstu, podczas gdy aplikacja odpowiada za odtwarzanie i otaczającą rozmowę.
Lista głosów systemowych producenta zawiera opcje właściwe dla modelu, takie jak Long An Feng Yue do naturalnego, przyjaznego mówienia oraz Long An Xiao Xin do przyjaznej, żywej wypowiedzi; oba są wymienione dla języka mandaryńskiego i angielskiego. Zawiera również głosy angielskie, takie jak loongmary z brytyjskim akcentem oraz loongjohn o spokojnym, przyjaznym brzmieniu i amerykańskim akcencie. Każdy model ma ponadto ponad 500 głosów bazowych. Qwen zaleca rozpoczęcie od głosów systemowych dla zachowania spójności oraz ocenę próbek odsłuchowych przy wyborze głosu bazowego. Głos musi należeć do wybranego modelu, a tekst musi być w języku obsługiwanym przez ten głos.
Sklonowane głosy rozszerzają udokumentowany zakres języków o chiński, angielski, japoński, koreański, rosyjski, francuski, niemiecki, portugalski, tajski, indonezyjski, wietnamski, hiszpański, włoski, malajski, filipiński i arabski. Zakres chińskiego obejmuje mandaryński, kantoński oraz odmiany z Chongqing, północno-wschodnich Chin, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Szanghaju, Sichuanu i Yunnanu, z wyborem dialektu przez instrukcje. Tabela modelu wskazuje obsługę klonowania głosu na podstawie próbki i odróżnia je od tworzenia nowego głosu wyłącznie z opisu tekstowego, czego ta edycja nie obsługuje.
Do klonowania producent zaleca nagranie o długości 10–20 sekund, z maksimum 60 sekund i rozmiarem pliku nieprzekraczającym 10 MB. Obsługiwane formaty referencyjne to 16-bitowy WAV, MP3 i M4A, przy częstotliwości próbkowania co najmniej 16 kHz. Nagranie musi zawierać przynajmniej pięć sekund ciągłej, wyraźnej mowy; pozostałe przerwy nie powinny przekraczać dwóch sekund. Unikaj dźwięków tła, innych głosów i śpiewu. Stereo jest akceptowane, ale przetwarzany jest tylko pierwszy kanał. Proces klonowania zwraca identyfikator głosu powiązany z dokładnym modelem docelowym, a synteza używa go, gdy głos jest gotowy. To samo nagranie wymaga osobnych sklonowanych głosów dla Flash i Plus.
Instrukcje w języku naturalnym sterują sposobem mówienia zarówno głosów systemowych, jak i sklonowanych. Opisz słyszalne cechy, takie jak łagodny ton, wyraźna artykulacja czy nieco wolniejsze tempo. Tagi umieszczone w tekście oferują inny rodzaj kontroli: [empathetic] lub [serious] ustawia styl kolejnego tekstu, natomiast [laughing] lub [sighing] wstawia efekt głosowy w określonym miejscu. Tag sterujący działa do następnego tagu sterującego albo automatycznego podziału na zdania. Te tagi emocji i ekspresji językowej są udokumentowane tylko dla strumieniowania jednokierunkowego, nie dla dwukierunkowego trybu wprowadzania tekstu. Przygotuj ekspresyjną kwestię w trybie odpowiednim dla tych elementów sterujących.
Interfejs mowy producenta obsługuje PCM, WAV, MP3 i Opus. Wymienione częstotliwości próbkowania to 8 000, 16 000, 22 050, 24 000, 44 100 i 48 000 Hz, z domyślnymi ustawieniami MP3 i 22 050 Hz. Głośność mieści się w zakresie od 0 do 100; szybkość mowy i wysokość tonu — każda od 0,5 do 2,0. MP3 i Opus udostępniają również ustawienie przepływności od 6 do 510 kbps. Wybierz format i częstotliwość próbkowania dopasowane do docelowego odtwarzacza lub procesu przetwarzania. Dla aplikacji interaktywnej producent dokumentuje strumieniowe ramki audio i metadane zdań, a w wyjściu strumieniowym dostępne są znaczniki czasu na poziomie słów dla odpowiednich głosów, w tym głosów sklonowanych.
Udokumentowany protokół tekstowy WebSocket przyjmuje do 20 000 znaków w jednej wiadomości tekstowej i łącznie 200 000 znaków w zadaniu, przy przerwach między przesłaniami nie dłuższych niż 23 sekundy. Są to limity protokołu producenta, odrębne od uniwersalnego limitu czasu trwania wyjścia modelu. Obsługuje on anulowanie bieżącej tury syntezy i kolejne zadanie na tym samym połączeniu. Zachowaj segmenty tekstu w zamierzonej kolejności wypowiadania i zakończ wejście, gdy cały tekst został przesłany. Do przygotowania wymowy producent dokumentuje wskazówki dotyczące języka docelowego, adnotacje pinyin i zamiany tekstu, przydatne, gdy cyfry, skróty lub symbole są wypowiadane w nieoczekiwany sposób.
SSML to osobna opcja znaczników, z warunkami dotyczącymi głosu i trybu interakcji: Qwen dokumentuje ją dla sklonowanych głosów, przy wywołaniach bez strumieniowania lub ze strumieniowaniem jednokierunkowym i pojedynczym przesłaniem tekstu, gdy SSML jest włączone. Nie należy zakładać jej obsługi dla każdego gotowego głosu ani strumienia dwukierunkowego. Przy zwykłym dialogu zacznij od zgodnego głosu, uporządkowanego tekstu do wypowiedzenia i konkretnej instrukcji sposobu mówienia; dodawaj ukierunkowane sterowanie wymową lub ekspresją tam, gdzie wymaga tego zadanie. Dzięki temu profil Flash pozostaje skoncentrowany na szybko reagującej syntezie mowy z przygotowanego tekstu, a nie na możliwościach innych modeli audio Qwen.
", "aboutText": "Qwen-Audio-3.0-TTS-Flash zamienia dostarczony tekst w mowę, a edycja Flash koncentruje się na interakcji w czasie rzeczywistym. Qwen wskazuje asystentów głosowych, interaktywny dialog i inteligentną obsługę klienta jako główne zastosowania. W porównaniu z poprzednią wersją producent opisuje szerszą obsługę języków o niewielkich zasobach i chińskich dialektów, bardziej autentyczny sposób wyrażania się w dialektach oraz większą kontrolę nad emocjami, tonem, charakterem, szybkością, głośnością i stylem mówienia. Informuje także o poprawie wyrazistości i odporności w warunkach akustycznych z hałasem lub pogłosem. Jest to synteza tekstu do postaci dźwięku, a nie rozpoznawanie przychodzącej mowy czy model dialogu głosowego.\n\nFlash priorytetowo traktuje szybkie rozpoczęcie mowy podczas interakcji. Qwen podaje dla syntezy tego modelu w czasie rzeczywistym opóźnienie do pierwszego pakietu nieprzekraczające 200 milisekund; przewodnik użytkowania zaznacza również, że początkowe nawiązanie połączenia wpływa na zmierzone opóźnienie pierwszego przesłania. Przygotuj właściwe słowa do wypowiedzenia oddzielnie od opisu pożądanego sposobu mówienia. Przykładowe zlecenie odpowiedzi asystenta głosowego może łączyć zwięzłą odpowiedź z instrukcją spokojnego, wyraźnego mówienia. Istotnym wynikiem jest mowa wygenerowana dla tego tekstu, podczas gdy aplikacja odpowiada za odtwarzanie i otaczającą rozmowę.\n\nLista głosów systemowych producenta zawiera opcje właściwe dla modelu, takie jak Long An Feng Yue do naturalnego, przyjaznego mówienia oraz Long An Xiao Xin do przyjaznej, żywej wypowiedzi; oba są wymienione dla języka mandaryńskiego i angielskiego. Zawiera również głosy angielskie, takie jak loongmary z brytyjskim akcentem oraz loongjohn o spokojnym, przyjaznym brzmieniu i amerykańskim akcencie. Każdy model ma ponadto ponad 500 głosów bazowych. Qwen zaleca rozpoczęcie od głosów systemowych dla zachowania spójności oraz ocenę próbek odsłuchowych przy wyborze głosu bazowego. Głos musi należeć do wybranego modelu, a tekst musi być w języku obsługiwanym przez ten głos.\n\nSklonowane głosy rozszerzają udokumentowany zakres języków o chiński, angielski, japoński, koreański, rosyjski, francuski, niemiecki, portugalski, tajski, indonezyjski, wietnamski, hiszpański, włoski, malajski, filipiński i arabski. Zakres chińskiego obejmuje mandaryński, kantoński oraz odmiany z Chongqing, północno-wschodnich Chin, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Szanghaju, Sichuanu i Yunnanu, z wyborem dialektu przez instrukcje. Tabela modelu wskazuje obsługę klonowania głosu na podstawie próbki i odróżnia je od tworzenia nowego głosu wyłącznie z opisu tekstowego, czego ta edycja nie obsługuje.\n\nDo klonowania producent zaleca nagranie o długości 10–20 sekund, z maksimum 60 sekund i rozmiarem pliku nieprzekraczającym 10 MB. Obsługiwane formaty referencyjne to 16-bitowy WAV, MP3 i M4A, przy częstotliwości próbkowania co najmniej 16 kHz. Nagranie musi zawierać przynajmniej pięć sekund ciągłej, wyraźnej mowy; pozostałe przerwy nie powinny przekraczać dwóch sekund. Unikaj dźwięków tła, innych głosów i śpiewu. Stereo jest akceptowane, ale przetwarzany jest tylko pierwszy kanał. Proces klonowania zwraca identyfikator głosu powiązany z dokładnym modelem docelowym, a synteza używa go, gdy głos jest gotowy. To samo nagranie wymaga osobnych sklonowanych głosów dla Flash i Plus.\n\nInstrukcje w języku naturalnym sterują sposobem mówienia zarówno głosów systemowych, jak i sklonowanych. Opisz słyszalne cechy, takie jak łagodny ton, wyraźna artykulacja czy nieco wolniejsze tempo. Tagi umieszczone w tekście oferują inny rodzaj kontroli: [empathetic] lub [serious] ustawia styl kolejnego tekstu, natomiast [laughing] lub [sighing] wstawia efekt głosowy w określonym miejscu. Tag sterujący działa do następnego tagu sterującego albo automatycznego podziału na zdania. Te tagi emocji i ekspresji językowej są udokumentowane tylko dla strumieniowania jednokierunkowego, nie dla dwukierunkowego trybu wprowadzania tekstu. Przygotuj ekspresyjną kwestię w trybie odpowiednim dla tych elementów sterujących.\n\nInterfejs mowy producenta obsługuje PCM, WAV, MP3 i Opus. Wymienione częstotliwości próbkowania to 8 000, 16 000, 22 050, 24 000, 44 100 i 48 000 Hz, z domyślnymi ustawieniami MP3 i 22 050 Hz. Głośność mieści się w zakresie od 0 do 100; szybkość mowy i wysokość tonu — każda od 0,5 do 2,0. MP3 i Opus udostępniają również ustawienie przepływności od 6 do 510 kbps. Wybierz format i częstotliwość próbkowania dopasowane do docelowego odtwarzacza lub procesu przetwarzania. Dla aplikacji interaktywnej producent dokumentuje strumieniowe ramki audio i metadane zdań, a w wyjściu strumieniowym dostępne są znaczniki czasu na poziomie słów dla odpowiednich głosów, w tym głosów sklonowanych.\n\nUdokumentowany protokół tekstowy WebSocket przyjmuje do 20 000 znaków w jednej wiadomości tekstowej i łącznie 200 000 znaków w zadaniu, przy przerwach między przesłaniami nie dłuższych niż 23 sekundy. Są to limity protokołu producenta, odrębne od uniwersalnego limitu czasu trwania wyjścia modelu. Obsługuje on anulowanie bieżącej tury syntezy i kolejne zadanie na tym samym połączeniu. Zachowaj segmenty tekstu w zamierzonej kolejności wypowiadania i zakończ wejście, gdy cały tekst został przesłany. Do przygotowania wymowy producent dokumentuje wskazówki dotyczące języka docelowego, adnotacje pinyin i zamiany tekstu, przydatne, gdy cyfry, skróty lub symbole są wypowiadane w nieoczekiwany sposób.\n\nSSML to osobna opcja znaczników, z warunkami dotyczącymi głosu i trybu interakcji: Qwen dokumentuje ją dla sklonowanych głosów, przy wywołaniach bez strumieniowania lub ze strumieniowaniem jednokierunkowym i pojedynczym przesłaniem tekstu, gdy SSML jest włączone. Nie należy zakładać jej obsługi dla każdego gotowego głosu ani strumienia dwukierunkowego. Przy zwykłym dialogu zacznij od zgodnego głosu, uporządkowanego tekstu do wypowiedzenia i konkretnej instrukcji sposobu mówienia; dodawaj ukierunkowane sterowanie wymową lub ekspresją tam, gdzie wymaga tego zadanie. Dzięki temu profil Flash pozostaje skoncentrowany na szybko reagującej syntezie mowy z przygotowanego tekstu, a nie na możliwościach innych modeli audio Qwen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "64a425ca4cc196a21557b2bd71a7d57b95478dc9868b84e9d3b5d57d1704f82b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "qwen/qwen-audio-3.0-tts-flashQwen-Audio-3.0-TTS-Flash to model syntezy mowy Qwen, ukierunkowany na szybko reagujących asystentów głosowych i interaktywny dialog. Łączy syntezę strumieniową, gotowe lub sklonowane głosy właściwe dla modelu oraz instrukcje lub tagi sterujące ekspresją mowy.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-Audio-3.0-TTS-Flash zamienia dostarczony tekst w mowę, a edycja Flash koncentruje się na interakcji w czasie rzeczywistym. Qwen wskazuje asystentów głosowych, interaktywny dialog i inteligentną obsługę klienta jako główne zastosowania. W porównaniu z poprzednią wersją producent opisuje szerszą obsługę języków o niewielkich zasobach i chińskich dialektów, bardziej autentyczny sposób wyrażania się w dialektach oraz większą kontrolę nad emocjami, tonem, charakterem, szybkością, głośnością i stylem mówienia. Informuje także o poprawie wyrazistości i odporności w warunkach akustycznych z hałasem lub pogłosem. Jest to synteza tekstu do postaci dźwięku, a nie rozpoznawanie przychodzącej mowy czy model dialogu głosowego.
Flash priorytetowo traktuje szybkie rozpoczęcie mowy podczas interakcji. Qwen podaje dla syntezy tego modelu w czasie rzeczywistym opóźnienie do pierwszego pakietu nieprzekraczające 200 milisekund; przewodnik użytkowania zaznacza również, że początkowe nawiązanie połączenia wpływa na zmierzone opóźnienie pierwszego przesłania. Przygotuj właściwe słowa do wypowiedzenia oddzielnie od opisu pożądanego sposobu mówienia. Przykładowe zlecenie odpowiedzi asystenta głosowego może łączyć zwięzłą odpowiedź z instrukcją spokojnego, wyraźnego mówienia. Istotnym wynikiem jest mowa wygenerowana dla tego tekstu, podczas gdy aplikacja odpowiada za odtwarzanie i otaczającą rozmowę.
Lista głosów systemowych producenta zawiera opcje właściwe dla modelu, takie jak Long An Feng Yue do naturalnego, przyjaznego mówienia oraz Long An Xiao Xin do przyjaznej, żywej wypowiedzi; oba są wymienione dla języka mandaryńskiego i angielskiego. Zawiera również głosy angielskie, takie jak loongmary z brytyjskim akcentem oraz loongjohn o spokojnym, przyjaznym brzmieniu i amerykańskim akcencie. Każdy model ma ponadto ponad 500 głosów bazowych. Qwen zaleca rozpoczęcie od głosów systemowych dla zachowania spójności oraz ocenę próbek odsłuchowych przy wyborze głosu bazowego. Głos musi należeć do wybranego modelu, a tekst musi być w języku obsługiwanym przez ten głos.
Sklonowane głosy rozszerzają udokumentowany zakres języków o chiński, angielski, japoński, koreański, rosyjski, francuski, niemiecki, portugalski, tajski, indonezyjski, wietnamski, hiszpański, włoski, malajski, filipiński i arabski. Zakres chińskiego obejmuje mandaryński, kantoński oraz odmiany z Chongqing, północno-wschodnich Chin, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Szanghaju, Sichuanu i Yunnanu, z wyborem dialektu przez instrukcje. Tabela modelu wskazuje obsługę klonowania głosu na podstawie próbki i odróżnia je od tworzenia nowego głosu wyłącznie z opisu tekstowego, czego ta edycja nie obsługuje.
Do klonowania producent zaleca nagranie o długości 10–20 sekund, z maksimum 60 sekund i rozmiarem pliku nieprzekraczającym 10 MB. Obsługiwane formaty referencyjne to 16-bitowy WAV, MP3 i M4A, przy częstotliwości próbkowania co najmniej 16 kHz. Nagranie musi zawierać przynajmniej pięć sekund ciągłej, wyraźnej mowy; pozostałe przerwy nie powinny przekraczać dwóch sekund. Unikaj dźwięków tła, innych głosów i śpiewu. Stereo jest akceptowane, ale przetwarzany jest tylko pierwszy kanał. Proces klonowania zwraca identyfikator głosu powiązany z dokładnym modelem docelowym, a synteza używa go, gdy głos jest gotowy. To samo nagranie wymaga osobnych sklonowanych głosów dla Flash i Plus.
Instrukcje w języku naturalnym sterują sposobem mówienia zarówno głosów systemowych, jak i sklonowanych. Opisz słyszalne cechy, takie jak łagodny ton, wyraźna artykulacja czy nieco wolniejsze tempo. Tagi umieszczone w tekście oferują inny rodzaj kontroli: [empathetic] lub [serious] ustawia styl kolejnego tekstu, natomiast [laughing] lub [sighing] wstawia efekt głosowy w określonym miejscu. Tag sterujący działa do następnego tagu sterującego albo automatycznego podziału na zdania. Te tagi emocji i ekspresji językowej są udokumentowane tylko dla strumieniowania jednokierunkowego, nie dla dwukierunkowego trybu wprowadzania tekstu. Przygotuj ekspresyjną kwestię w trybie odpowiednim dla tych elementów sterujących.
Interfejs mowy producenta obsługuje PCM, WAV, MP3 i Opus. Wymienione częstotliwości próbkowania to 8 000, 16 000, 22 050, 24 000, 44 100 i 48 000 Hz, z domyślnymi ustawieniami MP3 i 22 050 Hz. Głośność mieści się w zakresie od 0 do 100; szybkość mowy i wysokość tonu — każda od 0,5 do 2,0. MP3 i Opus udostępniają również ustawienie przepływności od 6 do 510 kbps. Wybierz format i częstotliwość próbkowania dopasowane do docelowego odtwarzacza lub procesu przetwarzania. Dla aplikacji interaktywnej producent dokumentuje strumieniowe ramki audio i metadane zdań, a w wyjściu strumieniowym dostępne są znaczniki czasu na poziomie słów dla odpowiednich głosów, w tym głosów sklonowanych.
Udokumentowany protokół tekstowy WebSocket przyjmuje do 20 000 znaków w jednej wiadomości tekstowej i łącznie 200 000 znaków w zadaniu, przy przerwach między przesłaniami nie dłuższych niż 23 sekundy. Są to limity protokołu producenta, odrębne od uniwersalnego limitu czasu trwania wyjścia modelu. Obsługuje on anulowanie bieżącej tury syntezy i kolejne zadanie na tym samym połączeniu. Zachowaj segmenty tekstu w zamierzonej kolejności wypowiadania i zakończ wejście, gdy cały tekst został przesłany. Do przygotowania wymowy producent dokumentuje wskazówki dotyczące języka docelowego, adnotacje pinyin i zamiany tekstu, przydatne, gdy cyfry, skróty lub symbole są wypowiadane w nieoczekiwany sposób.
SSML to osobna opcja znaczników, z warunkami dotyczącymi głosu i trybu interakcji: Qwen dokumentuje ją dla sklonowanych głosów, przy wywołaniach bez strumieniowania lub ze strumieniowaniem jednokierunkowym i pojedynczym przesłaniem tekstu, gdy SSML jest włączone. Nie należy zakładać jej obsługi dla każdego gotowego głosu ani strumienia dwukierunkowego. Przy zwykłym dialogu zacznij od zgodnego głosu, uporządkowanego tekstu do wypowiedzenia i konkretnej instrukcji sposobu mówienia; dodawaj ukierunkowane sterowanie wymową lub ekspresją tam, gdzie wymaga tego zadanie. Dzięki temu profil Flash pozostaje skoncentrowany na szybko reagującej syntezie mowy z przygotowanego tekstu, a nie na możliwościach innych modeli audio Qwen.
POST /v1/audio/speechtextaudio| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen-audio-3.0-tts-flash | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 Jednostka: znaki Unicode | Domyślnie— |
Polevoice | Typstring | WymaganieWymagane | Wartości i limity loongjohn, longanhuan_v3.6 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieWymagane | Wartości i limity mp3 | Domyślnie— |
text_to_speech · Wymagane: input
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input, voice, response_format |
Parametrvoice_ids | Kontraktloongjohn, longanhuan_v3.6 |
Parametrresponse_format | Kontraktmp3 |
Parametrmax_input_characters | Kontraktnull |
Parametrother_options | Kontraktfalse |
Parametrinput | Kontraktdokładny tekst UTF-8; liczba znaków Unicode bez normalizacji |
Parametrmaterial_types | Kontrakttext |
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}
Wybierz dokładny głos z profilu tego modelu.
Znaki wejściowe i sekundy dźwięku to różne jednostki pomiaru.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Ilość rozliczana | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Ilość rozliczana— | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaUltra | Tabela stawek— | Ilość rozliczanaKażdy punkt kodowy Unicode liczy się jako jeden znak, w tym znaki Han. | Jednostka rozliczeniowaza 1K znaków wejściowych | Opłata Wejście · znak wejściowy $0.03 za 1K znaków wejściowych |
Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.
| Konfiguracja | Warunki rozliczania | Opłata |
|---|---|---|
| KonfiguracjaQwen: Qwen-Audio-3.0-TTS Flash · Domyślna konfiguracja | Warunki rozliczaniaKonfiguracja domyślna | Opłata Wejście · Znaki wejściowe 0,00003 USD za znak wejściowy |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-audio-3.0-tts-flash", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["loongjohn", "longanhuan_v3.6"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nZachowaj 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.
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
| 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. |
Ailoot Ultra qwen/qwen-audio-3.0-tts-flash
Użyj ścieżek metod podanych powyżej.