Qwen-Audio-3.0-TTS-Plus transforma texto em fala expressiva. A Alibaba orienta o modelo para locução profissional de conteúdos, audiolivros, vídeos e materiais com uma voz de caráter reconhecível. A entrada é texto e a saída é áudio; também é suportada a entrega do som à medida que é sintetizado.
A expressão pode ser definida com instruções em linguagem natural e marcações de controlo detalhadas. Estas determinam a emoção, o tom, o caráter, o ritmo, o volume e o estilo da fala. Isto permite orientar a interpretação da mesma frase, desde uma narração calma até uma apresentação mais enérgica ou emocional.
A expressividade está ligada à voz escolhida e ao conteúdo do texto. Para uma pronúncia estável, a língua do material deve corresponder às línguas suportadas pela voz. O modelo destina-se à locução de material escrito; a análise do significado de uma conversa e a transcrição de uma gravação de origem pertencem a outras tarefas de áudio.
Existem duas vozes de sistema: uma voz feminina calorosa e uma voz masculina alegre. Suportam chinês e inglês. Para além destas, estão previstas mais de 500 vozes de base e a possibilidade de reproduzir uma voz a partir de uma amostra de fala. O fabricante recomenda as variantes de sistema quando se pretende estabilidade sonora.
A voz baseada numa amostra suporta chinês com variantes regionais de pronúncia, inglês, francês, alemão, japonês, coreano, russo, português, tailandês, indonésio, vietnamita, italiano, espanhol, malaio, filipino e árabe. Esta é uma capacidade linguística desse modo específico; não se aplica automaticamente a todas as vozes prontas.
Os requisitos da amostra pertencem a um processo separado de criação de voz no fabricante; a síntese de fala utiliza uma voz já preparada. A voz preparada deve corresponder ao modelo de síntese escolhido: no fabricante, uma voz de outro modelo provoca um erro de síntese. Recomenda-se uma amostra de fala limpa com 10–20 segundos. O limite geral é de 60 segundos e 10 MB, exigindo pelo menos cinco segundos de fala contínua. São suportados WAV com representação de 16 bits, MP3 e M4A, com frequência não inferior a 16 kHz. São admitidos um ou dois canais, mas, no caso de dois, apenas o primeiro é utilizado.
A amostra deve conter uma única voz, sem pessoas a falar em simultâneo, música ou canto. Nos requisitos do fabricante, as pausas curtas da amostra estão limitadas a dois segundos. Isto ajuda a isolar o timbre e as características de pronúncia necessários para a síntese seguinte. O controlo da expressão e a reprodução de uma voz a partir de uma amostra descrevem aspetos diferentes do funcionamento do modelo e podem ser utilizados para preparar o som do mesmo material.
", "aboutText": "Qwen-Audio-3.0-TTS-Plus transforma texto em fala expressiva. A Alibaba orienta o modelo para locução profissional de conteúdos, audiolivros, vídeos e materiais com uma voz de caráter reconhecível. A entrada é texto e a saída é áudio; também é suportada a entrega do som à medida que é sintetizado.\n\n### A forma de falar como parte da instrução\n\nA expressão pode ser definida com instruções em linguagem natural e marcações de controlo detalhadas. Estas determinam a emoção, o tom, o caráter, o ritmo, o volume e o estilo da fala. Isto permite orientar a interpretação da mesma frase, desde uma narração calma até uma apresentação mais enérgica ou emocional.\n\nA expressividade está ligada à voz escolhida e ao conteúdo do texto. Para uma pronúncia estável, a língua do material deve corresponder às línguas suportadas pela voz. O modelo destina-se à locução de material escrito; a análise do significado de uma conversa e a transcrição de uma gravação de origem pertencem a outras tarefas de áudio.\n\n### Voz pronta e voz baseada numa amostra\n\nExistem duas vozes de sistema: uma voz feminina calorosa e uma voz masculina alegre. Suportam chinês e inglês. Para além destas, estão previstas mais de 500 vozes de base e a possibilidade de reproduzir uma voz a partir de uma amostra de fala. O fabricante recomenda as variantes de sistema quando se pretende estabilidade sonora.\n\nA voz baseada numa amostra suporta chinês com variantes regionais de pronúncia, inglês, francês, alemão, japonês, coreano, russo, português, tailandês, indonésio, vietnamita, italiano, espanhol, malaio, filipino e árabe. Esta é uma capacidade linguística desse modo específico; não se aplica automaticamente a todas as vozes prontas.\n\nOs requisitos da amostra pertencem a um processo separado de criação de voz no fabricante; a síntese de fala utiliza uma voz já preparada. A voz preparada deve corresponder ao modelo de síntese escolhido: no fabricante, uma voz de outro modelo provoca um erro de síntese. Recomenda-se uma amostra de fala limpa com 10–20 segundos. O limite geral é de 60 segundos e 10 MB, exigindo pelo menos cinco segundos de fala contínua. São suportados WAV com representação de 16 bits, MP3 e M4A, com frequência não inferior a 16 kHz. São admitidos um ou dois canais, mas, no caso de dois, apenas o primeiro é utilizado.\n\nA amostra deve conter uma única voz, sem pessoas a falar em simultâneo, música ou canto. Nos requisitos do fabricante, as pausas curtas da amostra estão limitadas a dois segundos. Isto ajuda a isolar o timbre e as características de pronúncia necessários para a síntese seguinte. O controlo da expressão e a reprodução de uma voz a partir de uma amostra descrevem aspetos diferentes do funcionamento do modelo e podem ser utilizados para preparar o som do mesmo material.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f62bbf07f0678d8e19186245d46ececb274dc1a716b6031f3c6288d1bbdf6569", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "qwen-audio-3.0-tts-plusModelo de síntese expressiva de voz a partir de texto para vídeos, audiolivros e conteúdos de voz. Permite controlar a forma de falar e escolher uma voz pronta ou criada a partir de uma amostra.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-Audio-3.0-TTS-Plus transforma texto em fala expressiva. A Alibaba orienta o modelo para locução profissional de conteúdos, audiolivros, vídeos e materiais com uma voz de caráter reconhecível. A entrada é texto e a saída é áudio; também é suportada a entrega do som à medida que é sintetizado.
A expressão pode ser definida com instruções em linguagem natural e marcações de controlo detalhadas. Estas determinam a emoção, o tom, o caráter, o ritmo, o volume e o estilo da fala. Isto permite orientar a interpretação da mesma frase, desde uma narração calma até uma apresentação mais enérgica ou emocional.
A expressividade está ligada à voz escolhida e ao conteúdo do texto. Para uma pronúncia estável, a língua do material deve corresponder às línguas suportadas pela voz. O modelo destina-se à locução de material escrito; a análise do significado de uma conversa e a transcrição de uma gravação de origem pertencem a outras tarefas de áudio.
Existem duas vozes de sistema: uma voz feminina calorosa e uma voz masculina alegre. Suportam chinês e inglês. Para além destas, estão previstas mais de 500 vozes de base e a possibilidade de reproduzir uma voz a partir de uma amostra de fala. O fabricante recomenda as variantes de sistema quando se pretende estabilidade sonora.
A voz baseada numa amostra suporta chinês com variantes regionais de pronúncia, inglês, francês, alemão, japonês, coreano, russo, português, tailandês, indonésio, vietnamita, italiano, espanhol, malaio, filipino e árabe. Esta é uma capacidade linguística desse modo específico; não se aplica automaticamente a todas as vozes prontas.
Os requisitos da amostra pertencem a um processo separado de criação de voz no fabricante; a síntese de fala utiliza uma voz já preparada. A voz preparada deve corresponder ao modelo de síntese escolhido: no fabricante, uma voz de outro modelo provoca um erro de síntese. Recomenda-se uma amostra de fala limpa com 10–20 segundos. O limite geral é de 60 segundos e 10 MB, exigindo pelo menos cinco segundos de fala contínua. São suportados WAV com representação de 16 bits, MP3 e M4A, com frequência não inferior a 16 kHz. São admitidos um ou dois canais, mas, no caso de dois, apenas o primeiro é utilizado.
A amostra deve conter uma única voz, sem pessoas a falar em simultâneo, música ou canto. Nos requisitos do fabricante, as pausas curtas da amostra estão limitadas a dois segundos. Isto ajuda a isolar o timbre e as características de pronúncia necessários para a síntese seguinte. O controlo da expressão e a reprodução de uma voz a partir de uma amostra descrevem aspetos diferentes do funcionamento do modelo e podem ser utilizados para preparar o som do mesmo material.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-audio-3.0-tts-plus | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Comprimento máximo: 600 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoOpcional | Valores e limites Exemplos: longanlingxin, longanlufeng Padrão personalizado aceite: ^qwen-audio-3\\.0-tts-plus- Condições: São aceites IDs reais de vozes personalizadas com o prefixo exato qwen-audio-3.0-tts-plus-. | Predefiniçãolonganlingxin |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites mp3, wav, pcm | Predefiniçãomp3 |
Camposample_rate | Tipointeger | RequisitoOpcional | Valores e limites 16 000, 24 000, 48 000 Unidade: Hz | Predefinição24 000 |
text_to_speech · Obrigatório: input
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratonull |
Parâmetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/audio/speech20,00 US$ por 1 milhão de caracteres contabilizados. Um ideograma CJK conta como 2 caracteres contabilizados: 40,00 US$ por 1 milhão de ideogramas. Peso dos restantes caracteres Unicode: 1. Áudio de saída: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-audio-3.0-tts-plus", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\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/wav/pcm selecionado
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde o resultado binário completo e os cabeçalhos. Se forem devolvidos JSON/vários resultados, conserve todos os itens de dados e obtenha cada recurso através do seu URL assinado efetivo.
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Use os caminhos dos métodos indicados acima.
qwen-ttsModelo de síntese expressiva de voz a partir de texto para vídeos, audiolivros e conteúdos de voz. Permite controlar a forma de falar e escolher uma voz pronta ou criada a partir de uma amostra.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-Audio-3.0-TTS-Plus transforma texto em fala expressiva. A Alibaba orienta o modelo para locução profissional de conteúdos, audiolivros, vídeos e materiais com uma voz de caráter reconhecível. A entrada é texto e a saída é áudio; também é suportada a entrega do som à medida que é sintetizado.
A expressão pode ser definida com instruções em linguagem natural e marcações de controlo detalhadas. Estas determinam a emoção, o tom, o caráter, o ritmo, o volume e o estilo da fala. Isto permite orientar a interpretação da mesma frase, desde uma narração calma até uma apresentação mais enérgica ou emocional.
A expressividade está ligada à voz escolhida e ao conteúdo do texto. Para uma pronúncia estável, a língua do material deve corresponder às línguas suportadas pela voz. O modelo destina-se à locução de material escrito; a análise do significado de uma conversa e a transcrição de uma gravação de origem pertencem a outras tarefas de áudio.
Existem duas vozes de sistema: uma voz feminina calorosa e uma voz masculina alegre. Suportam chinês e inglês. Para além destas, estão previstas mais de 500 vozes de base e a possibilidade de reproduzir uma voz a partir de uma amostra de fala. O fabricante recomenda as variantes de sistema quando se pretende estabilidade sonora.
A voz baseada numa amostra suporta chinês com variantes regionais de pronúncia, inglês, francês, alemão, japonês, coreano, russo, português, tailandês, indonésio, vietnamita, italiano, espanhol, malaio, filipino e árabe. Esta é uma capacidade linguística desse modo específico; não se aplica automaticamente a todas as vozes prontas.
Os requisitos da amostra pertencem a um processo separado de criação de voz no fabricante; a síntese de fala utiliza uma voz já preparada. A voz preparada deve corresponder ao modelo de síntese escolhido: no fabricante, uma voz de outro modelo provoca um erro de síntese. Recomenda-se uma amostra de fala limpa com 10–20 segundos. O limite geral é de 60 segundos e 10 MB, exigindo pelo menos cinco segundos de fala contínua. São suportados WAV com representação de 16 bits, MP3 e M4A, com frequência não inferior a 16 kHz. São admitidos um ou dois canais, mas, no caso de dois, apenas o primeiro é utilizado.
A amostra deve conter uma única voz, sem pessoas a falar em simultâneo, música ou canto. Nos requisitos do fabricante, as pausas curtas da amostra estão limitadas a dois segundos. Isto ajuda a isolar o timbre e as características de pronúncia necessários para a síntese seguinte. O controlo da expressão e a reprodução de uma voz a partir de uma amostra descrevem aspetos diferentes do funcionamento do modelo e podem ser utilizados para preparar o som do mesmo material.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-tts | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Comprimento máximo: 600 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoOpcional | Valores e limites Exemplos: longanlingxin, longanlufeng Padrão personalizado aceite: ^qwen-audio-3\\.0-tts-plus- Condições: São aceites IDs reais de vozes personalizadas com o prefixo exato qwen-audio-3.0-tts-plus-. | Predefiniçãolonganlingxin |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites mp3, wav, pcm | Predefiniçãomp3 |
Camposample_rate | Tipointeger | RequisitoOpcional | Valores e limites 16 000, 24 000, 48 000 Unidade: Hz | Predefinição24 000 |
text_to_speech · Obrigatório: input
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratonull |
Parâmetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/audio/speech20,00 US$ por 1 milhão de caracteres contabilizados. Um ideograma CJK conta como 2 caracteres contabilizados: 40,00 US$ por 1 milhão de ideogramas. Peso dos restantes caracteres Unicode: 1. Áudio de saída: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-tts", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\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/wav/pcm selecionado
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde o resultado binário completo e os cabeçalhos. Se forem devolvidos JSON/vários resultados, conserve todos os itens de dados e obtenha cada recurso através do seu URL assinado efetivo.
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Use os caminhos dos métodos indicados acima.
qwen-tts-latestModelo de síntese expressiva de voz a partir de texto para vídeos, audiolivros e conteúdos de voz. Permite controlar a forma de falar e escolher uma voz pronta ou criada a partir de uma amostra.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-Audio-3.0-TTS-Plus transforma texto em fala expressiva. A Alibaba orienta o modelo para locução profissional de conteúdos, audiolivros, vídeos e materiais com uma voz de caráter reconhecível. A entrada é texto e a saída é áudio; também é suportada a entrega do som à medida que é sintetizado.
A expressão pode ser definida com instruções em linguagem natural e marcações de controlo detalhadas. Estas determinam a emoção, o tom, o caráter, o ritmo, o volume e o estilo da fala. Isto permite orientar a interpretação da mesma frase, desde uma narração calma até uma apresentação mais enérgica ou emocional.
A expressividade está ligada à voz escolhida e ao conteúdo do texto. Para uma pronúncia estável, a língua do material deve corresponder às línguas suportadas pela voz. O modelo destina-se à locução de material escrito; a análise do significado de uma conversa e a transcrição de uma gravação de origem pertencem a outras tarefas de áudio.
Existem duas vozes de sistema: uma voz feminina calorosa e uma voz masculina alegre. Suportam chinês e inglês. Para além destas, estão previstas mais de 500 vozes de base e a possibilidade de reproduzir uma voz a partir de uma amostra de fala. O fabricante recomenda as variantes de sistema quando se pretende estabilidade sonora.
A voz baseada numa amostra suporta chinês com variantes regionais de pronúncia, inglês, francês, alemão, japonês, coreano, russo, português, tailandês, indonésio, vietnamita, italiano, espanhol, malaio, filipino e árabe. Esta é uma capacidade linguística desse modo específico; não se aplica automaticamente a todas as vozes prontas.
Os requisitos da amostra pertencem a um processo separado de criação de voz no fabricante; a síntese de fala utiliza uma voz já preparada. A voz preparada deve corresponder ao modelo de síntese escolhido: no fabricante, uma voz de outro modelo provoca um erro de síntese. Recomenda-se uma amostra de fala limpa com 10–20 segundos. O limite geral é de 60 segundos e 10 MB, exigindo pelo menos cinco segundos de fala contínua. São suportados WAV com representação de 16 bits, MP3 e M4A, com frequência não inferior a 16 kHz. São admitidos um ou dois canais, mas, no caso de dois, apenas o primeiro é utilizado.
A amostra deve conter uma única voz, sem pessoas a falar em simultâneo, música ou canto. Nos requisitos do fabricante, as pausas curtas da amostra estão limitadas a dois segundos. Isto ajuda a isolar o timbre e as características de pronúncia necessários para a síntese seguinte. O controlo da expressão e a reprodução de uma voz a partir de uma amostra descrevem aspetos diferentes do funcionamento do modelo e podem ser utilizados para preparar o som do mesmo material.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-tts-latest | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Comprimento máximo: 600 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoOpcional | Valores e limites Exemplos: longanlingxin, longanlufeng Padrão personalizado aceite: ^qwen-audio-3\\.0-tts-plus- Condições: São aceites IDs reais de vozes personalizadas com o prefixo exato qwen-audio-3.0-tts-plus-. | Predefiniçãolonganlingxin |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites mp3, wav, pcm | Predefiniçãomp3 |
Camposample_rate | Tipointeger | RequisitoOpcional | Valores e limites 16 000, 24 000, 48 000 Unidade: Hz | Predefinição24 000 |
text_to_speech · Obrigatório: input
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratonull |
Parâmetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/audio/speech20,00 US$ por 1 milhão de caracteres contabilizados. Um ideograma CJK conta como 2 caracteres contabilizados: 40,00 US$ por 1 milhão de ideogramas. Peso dos restantes caracteres Unicode: 1. Áudio de saída: 0,00 US$.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-tts-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\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/wav/pcm selecionado
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde o resultado binário completo e os cabeçalhos. Se forem devolvidos JSON/vários resultados, conserve todos os itens de dados e obtenha cada recurso através do seu URL assinado efetivo.
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Use os caminhos dos métodos indicados acima.