Qwen-Audio-3.0-TTS-Plus zamienia pisemny tekst w ekspresyjną mowę; wydanie Plus skupia się na jakości syntezy, naturalności i szczegółowym sposobie wypowiedzi. Qwen wymienia tworzenie treści, audiobooki, dubbing filmów i wideo oraz profesjonalną produkcję mowy jako główne zastosowania. Zaktualizowany profil modelu opisuje szerszą obsługę języków o ograniczonych zasobach i chińskich dialektów, lepszą autentyczność dialektów i większą kontrolę emocji, tonu, postaci, tempa mowy, głośności i stylu. Producent zgłasza też poprawę klarowności, rozdzielczości i odporności w warunkach akustycznych z hałasem lub pogłosem.
Plus to wydanie tej rodziny syntezy mowy nastawione na jakość; Flash jest osobno pozycjonowane do interakcji w czasie rzeczywistym. Przygotuj narrację jako tekst do wypowiedzenia, określając odbiorców, tempo i kierunek emocjonalny. Przy fragmencie audiobooka przykładowe polecenie może wymagać wyraźnej artykulacji, miarowego tempa i powściągliwego ciepła; przy lektorze do wideo może prosić o poważny początek, po którym następuje bardziej energiczne wyjaśnienie. To wybory sposobu wypowiedzenia dostarczonych słów. Model jest syntezatorem mowy, a nie usługą transkrypcji lub generatorem kompletnej sceny wizualnej.
Oficjalne głosy systemowe Plus obejmują Long An Ling Xin, opisany jako ciepły i empatyczny, oraz Long An Lu Feng, opisany jako jasny i pogodny. Oba są wymienione dla mandaryńskiego i angielskiego. Producent dostarcza też ponad 500 głosów bazowych dla tego wydania, z podglądami do oceny przed wyborem. Zaleca głosy systemowe dla bardziej spójnej syntezy. Wybierz głos z dokładnej listy Plus i dopasuj język tekstu do obsługiwanych przez niego języków; głos z Flash nie jest zamienny tylko dlatego, że należy do tej samej szerszej rodziny.
Model obsługuje klonowanie głosu na podstawie próbki. Udokumentowane języki sklonowanych głosów obejmują chiński, angielski, japoński, koreański, rosyjski, francuski, niemiecki, portugalski, tajski, indonezyjski, wietnamski, hiszpański, włoski, malajski, filipiński i arabski. Warianty chińskie obejmują Mandarin, Cantonese, Chongqing, Northeastern, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainese, Sichuan i Yunnan, z dialektami sterowanymi instrukcjami. Tabela modelu producenta odróżnia klonowanie od tworzenia głosu z opisu tekstowego: klonowanie jest obsługiwane przez Plus, a osobny tryb projektowania głosu nie jest.
Odpowiednia próbka do klonowania to wyraźna mowa w normalnym tempie, bez muzyki, szumu tła, konkurujących mówców lub śpiewu. Producent zaleca 10–20 sekund i dopuszcza do 60 sekund w pliku nie większym niż 10 MB. Formaty referencyjne to 16-bitowy WAV, MP3 i M4A, z częstotliwością próbkowania co najmniej 16 kHz. Wymagane jest co najmniej pięć sekund ciągłej, wyraźnej mowy, a pozostałe pauzy powinny trwać nie dłużej niż dwie sekundy. W stereo przetwarzany jest tylko pierwszy kanał. Utworzony identyfikator głosu jest przypisany do Plus i używany do syntezy, gdy jest gotowy; odtworzenie tej samej próbki przez Flash wymaga osobno utworzonego głosu Flash.
Instrukcje w języku naturalnym mogą kształtować ton, tempo, emocje i barwę głosów systemowych oraz sklonowanych. Używaj konkretnych opisów słyszalnych cech zamiast ogólnej prośby o dobry głos. Wstawione tagi emocji mogą ustawić styl w tekście, a tagi ekspresji językowej mogą dodać efekt głosowy w wybranym miejscu. Na przykład [serious] zmienia następującą po nim wypowiedź, a [sighing] wstawia westchnienie bez zmiany otaczającego stylu emocjonalnego. Tagi sterujące obowiązują do następnego tagu sterującego lub automatycznej segmentacji zdań. Funkcja oparta na tagach jest udokumentowana tylko dla jednokierunkowego strumieniowania, ma więc inny zakres niż instrukcje stosowane z dwukierunkowym wejściem tekstowym.
Opcje wyjścia producenta to PCM, WAV, MP3 i Opus, z wymienionymi częstotliwościami próbkowania 8 000, 16 000, 22 050, 24 000, 44 100 i 48 000 Hz. Udokumentowane ustawienia domyślne to MP3 i 22 050 Hz. Głośność można ustawić od 0 do 100, a tempo i wysokość tonu od 0,5 do 2,0; MP3 i Opus umożliwiają dodatkowo bitrate od 6 do 510 kbps. Wybierz reprezentację potrzebną do odtwarzania lub edycji, a następnie zachowaj spójne ustawienia w częściach dłuższego utworu. Wyjście strumieniowe obejmuje ramki audio i metadane zdań, ze znacznikami czasu słów dostępnymi dla odpowiednich głosów, w tym sklonowanych.
Udokumentowany proces wejścia tekstowego przez WebSocket dopuszcza 20 000 znaków na wiadomość i 200 000 znaków łącznie oraz wymaga odstępu między zgłoszeniami nie większego niż 23 sekundy. Może przyjąć cały tekst lub uporządkowane segmenty i zakończyć działanie po ukończeniu wejścia. Producent dokumentuje również anulowanie bieżącej tury syntezy. Są to limity i zachowania tego protokołu, a nie uniwersalny limit czasu wygenerowanego nagrania. Przy długiej narracji zorganizuj tekst w spójne części i zachowaj ich kolejność oraz tekst wraz z powstałym dźwiękiem, aby całość można było spójnie złożyć i sprawdzić.
Do wymowy producent zapewnia wskazówki języka docelowego, adnotacje pinyin i zamiany tekstu dla niepożądanych odczytów cyfr, skrótów, symboli lub słów. SSML to osobny tryb znaczników z ograniczeniami dostępności: dokumentacja Qwen obsługuje go dla sklonowanych głosów w wywołaniach bez strumieniowania lub z jednokierunkowym strumieniowaniem, z tylko jednym przesłaniem tekstu, gdy jest włączony. Nie ustanawia obsługi SSML dla każdego głosu systemowego ani dla dwukierunkowego strumieniowania. Praktyczny proces Plus zaczyna się od zgodnego głosu i gotowego tekstu, a następnie dodaje precyzyjne wybory sposobu wypowiedzi i wymowy dla narracji danego fragmentu.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus zamienia pisemny tekst w ekspresyjną mowę; wydanie Plus skupia się na jakości syntezy, naturalności i szczegółowym sposobie wypowiedzi. Qwen wymienia tworzenie treści, audiobooki, dubbing filmów i wideo oraz profesjonalną produkcję mowy jako główne zastosowania. Zaktualizowany profil modelu opisuje szerszą obsługę języków o ograniczonych zasobach i chińskich dialektów, lepszą autentyczność dialektów i większą kontrolę emocji, tonu, postaci, tempa mowy, głośności i stylu. Producent zgłasza też poprawę klarowności, rozdzielczości i odporności w warunkach akustycznych z hałasem lub pogłosem.\n\nPlus to wydanie tej rodziny syntezy mowy nastawione na jakość; Flash jest osobno pozycjonowane do interakcji w czasie rzeczywistym. Przygotuj narrację jako tekst do wypowiedzenia, określając odbiorców, tempo i kierunek emocjonalny. Przy fragmencie audiobooka przykładowe polecenie może wymagać wyraźnej artykulacji, miarowego tempa i powściągliwego ciepła; przy lektorze do wideo może prosić o poważny początek, po którym następuje bardziej energiczne wyjaśnienie. To wybory sposobu wypowiedzenia dostarczonych słów. Model jest syntezatorem mowy, a nie usługą transkrypcji lub generatorem kompletnej sceny wizualnej.\n\nOficjalne głosy systemowe Plus obejmują Long An Ling Xin, opisany jako ciepły i empatyczny, oraz Long An Lu Feng, opisany jako jasny i pogodny. Oba są wymienione dla mandaryńskiego i angielskiego. Producent dostarcza też ponad 500 głosów bazowych dla tego wydania, z podglądami do oceny przed wyborem. Zaleca głosy systemowe dla bardziej spójnej syntezy. Wybierz głos z dokładnej listy Plus i dopasuj język tekstu do obsługiwanych przez niego języków; głos z Flash nie jest zamienny tylko dlatego, że należy do tej samej szerszej rodziny.\n\nModel obsługuje klonowanie głosu na podstawie próbki. Udokumentowane języki sklonowanych głosów obejmują chiński, angielski, japoński, koreański, rosyjski, francuski, niemiecki, portugalski, tajski, indonezyjski, wietnamski, hiszpański, włoski, malajski, filipiński i arabski. Warianty chińskie obejmują Mandarin, Cantonese, Chongqing, Northeastern, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainese, Sichuan i Yunnan, z dialektami sterowanymi instrukcjami. Tabela modelu producenta odróżnia klonowanie od tworzenia głosu z opisu tekstowego: klonowanie jest obsługiwane przez Plus, a osobny tryb projektowania głosu nie jest.\n\nOdpowiednia próbka do klonowania to wyraźna mowa w normalnym tempie, bez muzyki, szumu tła, konkurujących mówców lub śpiewu. Producent zaleca 10–20 sekund i dopuszcza do 60 sekund w pliku nie większym niż 10 MB. Formaty referencyjne to 16-bitowy WAV, MP3 i M4A, z częstotliwością próbkowania co najmniej 16 kHz. Wymagane jest co najmniej pięć sekund ciągłej, wyraźnej mowy, a pozostałe pauzy powinny trwać nie dłużej niż dwie sekundy. W stereo przetwarzany jest tylko pierwszy kanał. Utworzony identyfikator głosu jest przypisany do Plus i używany do syntezy, gdy jest gotowy; odtworzenie tej samej próbki przez Flash wymaga osobno utworzonego głosu Flash.\n\nInstrukcje w języku naturalnym mogą kształtować ton, tempo, emocje i barwę głosów systemowych oraz sklonowanych. Używaj konkretnych opisów słyszalnych cech zamiast ogólnej prośby o dobry głos. Wstawione tagi emocji mogą ustawić styl w tekście, a tagi ekspresji językowej mogą dodać efekt głosowy w wybranym miejscu. Na przykład [serious] zmienia następującą po nim wypowiedź, a [sighing] wstawia westchnienie bez zmiany otaczającego stylu emocjonalnego. Tagi sterujące obowiązują do następnego tagu sterującego lub automatycznej segmentacji zdań. Funkcja oparta na tagach jest udokumentowana tylko dla jednokierunkowego strumieniowania, ma więc inny zakres niż instrukcje stosowane z dwukierunkowym wejściem tekstowym.\n\nOpcje wyjścia producenta to PCM, WAV, MP3 i Opus, z wymienionymi częstotliwościami próbkowania 8 000, 16 000, 22 050, 24 000, 44 100 i 48 000 Hz. Udokumentowane ustawienia domyślne to MP3 i 22 050 Hz. Głośność można ustawić od 0 do 100, a tempo i wysokość tonu od 0,5 do 2,0; MP3 i Opus umożliwiają dodatkowo bitrate od 6 do 510 kbps. Wybierz reprezentację potrzebną do odtwarzania lub edycji, a następnie zachowaj spójne ustawienia w częściach dłuższego utworu. Wyjście strumieniowe obejmuje ramki audio i metadane zdań, ze znacznikami czasu słów dostępnymi dla odpowiednich głosów, w tym sklonowanych.\n\nUdokumentowany proces wejścia tekstowego przez WebSocket dopuszcza 20 000 znaków na wiadomość i 200 000 znaków łącznie oraz wymaga odstępu między zgłoszeniami nie większego niż 23 sekundy. Może przyjąć cały tekst lub uporządkowane segmenty i zakończyć działanie po ukończeniu wejścia. Producent dokumentuje również anulowanie bieżącej tury syntezy. Są to limity i zachowania tego protokołu, a nie uniwersalny limit czasu wygenerowanego nagrania. Przy długiej narracji zorganizuj tekst w spójne części i zachowaj ich kolejność oraz tekst wraz z powstałym dźwiękiem, aby całość można było spójnie złożyć i sprawdzić.\n\nDo wymowy producent zapewnia wskazówki języka docelowego, adnotacje pinyin i zamiany tekstu dla niepożądanych odczytów cyfr, skrótów, symboli lub słów. SSML to osobny tryb znaczników z ograniczeniami dostępności: dokumentacja Qwen obsługuje go dla sklonowanych głosów w wywołaniach bez strumieniowania lub z jednokierunkowym strumieniowaniem, z tylko jednym przesłaniem tekstu, gdy jest włączony. Nie ustanawia obsługi SSML dla każdego głosu systemowego ani dla dwukierunkowego strumieniowania. Praktyczny proces Plus zaczyna się od zgodnego głosu i gotowego tekstu, a następnie dodaje precyzyjne wybory sposobu wypowiedzi i wymowy dla narracji danego fragmentu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6b6b5f207013c2801e705eaa039fb8f980bb1834763c8d10db5616e0cfe86e9b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "qwen/qwen-audio-3.0-tts-plusQwen-Audio-3.0-TTS-Plus to model Qwen do syntezy mowy z tekstu, skupiony na szczegółowym, naturalnym i ekspresyjnym dźwięku do narracji, audiobooków i dubbingu. Obsługuje gotowe lub sklonowane głosy właściwe dla modelu, wyjście strumieniowe oraz instrukcje lub tagi kształtujące sposób wypowiedzi.
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 pisemny tekst w ekspresyjną mowę; wydanie Plus skupia się na jakości syntezy, naturalności i szczegółowym sposobie wypowiedzi. Qwen wymienia tworzenie treści, audiobooki, dubbing filmów i wideo oraz profesjonalną produkcję mowy jako główne zastosowania. Zaktualizowany profil modelu opisuje szerszą obsługę języków o ograniczonych zasobach i chińskich dialektów, lepszą autentyczność dialektów i większą kontrolę emocji, tonu, postaci, tempa mowy, głośności i stylu. Producent zgłasza też poprawę klarowności, rozdzielczości i odporności w warunkach akustycznych z hałasem lub pogłosem.
Plus to wydanie tej rodziny syntezy mowy nastawione na jakość; Flash jest osobno pozycjonowane do interakcji w czasie rzeczywistym. Przygotuj narrację jako tekst do wypowiedzenia, określając odbiorców, tempo i kierunek emocjonalny. Przy fragmencie audiobooka przykładowe polecenie może wymagać wyraźnej artykulacji, miarowego tempa i powściągliwego ciepła; przy lektorze do wideo może prosić o poważny początek, po którym następuje bardziej energiczne wyjaśnienie. To wybory sposobu wypowiedzenia dostarczonych słów. Model jest syntezatorem mowy, a nie usługą transkrypcji lub generatorem kompletnej sceny wizualnej.
Oficjalne głosy systemowe Plus obejmują Long An Ling Xin, opisany jako ciepły i empatyczny, oraz Long An Lu Feng, opisany jako jasny i pogodny. Oba są wymienione dla mandaryńskiego i angielskiego. Producent dostarcza też ponad 500 głosów bazowych dla tego wydania, z podglądami do oceny przed wyborem. Zaleca głosy systemowe dla bardziej spójnej syntezy. Wybierz głos z dokładnej listy Plus i dopasuj język tekstu do obsługiwanych przez niego języków; głos z Flash nie jest zamienny tylko dlatego, że należy do tej samej szerszej rodziny.
Model obsługuje klonowanie głosu na podstawie próbki. Udokumentowane języki sklonowanych głosów obejmują chiński, angielski, japoński, koreański, rosyjski, francuski, niemiecki, portugalski, tajski, indonezyjski, wietnamski, hiszpański, włoski, malajski, filipiński i arabski. Warianty chińskie obejmują Mandarin, Cantonese, Chongqing, Northeastern, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainese, Sichuan i Yunnan, z dialektami sterowanymi instrukcjami. Tabela modelu producenta odróżnia klonowanie od tworzenia głosu z opisu tekstowego: klonowanie jest obsługiwane przez Plus, a osobny tryb projektowania głosu nie jest.
Odpowiednia próbka do klonowania to wyraźna mowa w normalnym tempie, bez muzyki, szumu tła, konkurujących mówców lub śpiewu. Producent zaleca 10–20 sekund i dopuszcza do 60 sekund w pliku nie większym niż 10 MB. Formaty referencyjne to 16-bitowy WAV, MP3 i M4A, z częstotliwością próbkowania co najmniej 16 kHz. Wymagane jest co najmniej pięć sekund ciągłej, wyraźnej mowy, a pozostałe pauzy powinny trwać nie dłużej niż dwie sekundy. W stereo przetwarzany jest tylko pierwszy kanał. Utworzony identyfikator głosu jest przypisany do Plus i używany do syntezy, gdy jest gotowy; odtworzenie tej samej próbki przez Flash wymaga osobno utworzonego głosu Flash.
Instrukcje w języku naturalnym mogą kształtować ton, tempo, emocje i barwę głosów systemowych oraz sklonowanych. Używaj konkretnych opisów słyszalnych cech zamiast ogólnej prośby o dobry głos. Wstawione tagi emocji mogą ustawić styl w tekście, a tagi ekspresji językowej mogą dodać efekt głosowy w wybranym miejscu. Na przykład [serious] zmienia następującą po nim wypowiedź, a [sighing] wstawia westchnienie bez zmiany otaczającego stylu emocjonalnego. Tagi sterujące obowiązują do następnego tagu sterującego lub automatycznej segmentacji zdań. Funkcja oparta na tagach jest udokumentowana tylko dla jednokierunkowego strumieniowania, ma więc inny zakres niż instrukcje stosowane z dwukierunkowym wejściem tekstowym.
Opcje wyjścia producenta to PCM, WAV, MP3 i Opus, z wymienionymi częstotliwościami próbkowania 8 000, 16 000, 22 050, 24 000, 44 100 i 48 000 Hz. Udokumentowane ustawienia domyślne to MP3 i 22 050 Hz. Głośność można ustawić od 0 do 100, a tempo i wysokość tonu od 0,5 do 2,0; MP3 i Opus umożliwiają dodatkowo bitrate od 6 do 510 kbps. Wybierz reprezentację potrzebną do odtwarzania lub edycji, a następnie zachowaj spójne ustawienia w częściach dłuższego utworu. Wyjście strumieniowe obejmuje ramki audio i metadane zdań, ze znacznikami czasu słów dostępnymi dla odpowiednich głosów, w tym sklonowanych.
Udokumentowany proces wejścia tekstowego przez WebSocket dopuszcza 20 000 znaków na wiadomość i 200 000 znaków łącznie oraz wymaga odstępu między zgłoszeniami nie większego niż 23 sekundy. Może przyjąć cały tekst lub uporządkowane segmenty i zakończyć działanie po ukończeniu wejścia. Producent dokumentuje również anulowanie bieżącej tury syntezy. Są to limity i zachowania tego protokołu, a nie uniwersalny limit czasu wygenerowanego nagrania. Przy długiej narracji zorganizuj tekst w spójne części i zachowaj ich kolejność oraz tekst wraz z powstałym dźwiękiem, aby całość można było spójnie złożyć i sprawdzić.
Do wymowy producent zapewnia wskazówki języka docelowego, adnotacje pinyin i zamiany tekstu dla niepożądanych odczytów cyfr, skrótów, symboli lub słów. SSML to osobny tryb znaczników z ograniczeniami dostępności: dokumentacja Qwen obsługuje go dla sklonowanych głosów w wywołaniach bez strumieniowania lub z jednokierunkowym strumieniowaniem, z tylko jednym przesłaniem tekstu, gdy jest włączony. Nie ustanawia obsługi SSML dla każdego głosu systemowego ani dla dwukierunkowego strumieniowania. Praktyczny proces Plus zaczyna się od zgodnego głosu i gotowego tekstu, a następnie dodaje precyzyjne wybory sposobu wypowiedzi i wymowy dla narracji danego fragmentu.
POST /v1/audio/speechtextaudio| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen/qwen-audio-3.0-tts-plus | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 Jednostka: znaki Unicode | Domyślnie— |
Polevoice | Typstring | WymaganieWymagane | Wartości i limity longanlingxin, longanlufeng | 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 | Kontraktlonganlingxin, longanlufeng |
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 $0.04 za 1K znaków wejściowych |
Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.
| Konfiguracja | Warunki rozliczania | Opłata |
|---|---|---|
| KonfiguracjaQwen: Qwen-Audio-3.0-TTS Plus · Domyślna konfiguracja | Warunki rozliczaniaKonfiguracja domyślna | Opłata Wejście · Znaki wejściowe 0,00004 USD za znak wejściowy |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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-plus", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["longanlingxin", "longanlufeng"]')\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-plus
Użyj ścieżek metod podanych powyżej.