qwen-audio-3.0-tts-plus
โมเดลแปลงข้อความเป็นเสียงพูดที่สื่ออารมณ์ สำหรับวิดีโอ หนังสือเสียง และสื่อเสียง รองรับการควบคุมลีลาการพูดและการเลือกเสียงสำเร็จรูปหรือเสียงที่สร้างจากตัวอย่าง
- Ailoot · การสังเคราะห์เสียงพูด
POST /v1/audio/speechqwen-audio-3.0-tts-plus - Ailoot · การสังเคราะห์เสียงพูด
POST /v1/audio/speechqwen-tts - Ailoot · การสังเคราะห์เสียงพูด
POST /v1/audio/speechqwen-tts-latest
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
Qwen-Audio-3.0-TTS-Plus แปลงข้อความเป็นเสียงพูดที่สื่ออารมณ์ Alibaba ออกแบบสำหรับการพากย์เนื้อหา หนังสือเสียง วิดีโอ และสื่อที่ต้องการเอกลักษณ์เสียงที่จดจำได้อย่างมืออาชีพ อินพุตคือข้อความ เอาต์พุตคือเสียง และรองรับการทยอยส่งเสียงระหว่างสังเคราะห์ด้วย
ลีลาการพูดเป็นส่วนหนึ่งของคำสั่ง
กำหนดการถ่ายทอดได้ด้วยคำสั่งภาษาธรรมชาติและแท็กควบคุมแบบละเอียด เพื่อระบุอารมณ์ น้ำเสียง บุคลิก จังหวะ ความดัง และสไตล์การพูด จึงสามารถชี้นำการพูดประโยคเดียวกันได้ตั้งแต่การเล่าเรื่องอย่างสงบไปจนถึงการพูดที่มีพลังหรืออารมณ์มากขึ้น
การสื่ออารมณ์สัมพันธ์กับเสียงที่เลือกและเนื้อหาของข้อความ เพื่อให้ออกเสียงได้สม่ำเสมอ ภาษาของเนื้อหาต้องตรงกับภาษาที่เสียงนั้นรองรับ โมเดลนี้ใช้พากย์เนื้อหาที่เขียนไว้ ส่วนการวิเคราะห์ความหมายของบทสนทนาและการถอดเสียงจากไฟล์ต้นฉบับเป็นงานเสียงประเภทอื่น
เสียงสำเร็จรูปและเสียงจากตัวอย่าง
มีเสียงระบบสองเสียง ได้แก่ เสียงผู้หญิงอบอุ่นและเสียงผู้ชายร่าเริง ซึ่งรองรับภาษาจีนและภาษาอังกฤษ นอกจากนี้ยังมีเสียงพื้นฐานมากกว่า 500 เสียง และความสามารถเลียนเสียงจากตัวอย่างเสียงพูด ผู้ผลิตแนะนำเสียงระบบเมื่อต้องการเสียงที่มีความสม่ำเสมอ
เสียงจากตัวอย่างรองรับภาษาจีนรวมถึงรูปแบบการออกเสียงในภูมิภาค อังกฤษ ฝรั่งเศส เยอรมัน ญี่ปุ่น เกาหลี รัสเซีย โปรตุเกส ไทย อินโดนีเซีย เวียดนาม อิตาลี สเปน มาเลย์ ฟิลิปปินส์ และอาหรับ นี่เป็นความสามารถทางภาษาของโหมดที่เกี่ยวข้อง ไม่ได้หมายความว่าเสียงสำเร็จรูปทุกเสียงจะรองรับภาษาเหล่านี้โดยอัตโนมัติ
ข้อกำหนดของตัวอย่างเป็นของวิธีสร้างเสียงแยกต่างหากในระบบของผู้ผลิต เมื่อสังเคราะห์เสียงพูดจะใช้เสียงที่เตรียมไว้แล้ว เสียงที่เตรียมไว้ต้องตรงกับโมเดลพากย์ที่เลือก หากใช้เสียงของโมเดลอื่นในระบบของผู้ผลิต จะเกิดข้อผิดพลาดในการสังเคราะห์ แนะนำให้ใช้เสียงพูดชัดเจนที่ยาว 10–20 วินาทีเป็นตัวอย่าง ขีดจำกัดรวมคือ 60 วินาทีและ 10 MB โดยต้องมีเสียงพูดต่อเนื่องไม่น้อยกว่าห้าวินาที รองรับ WAV แบบ 16 บิต, MP3 และ M4A ที่อัตราสุ่มสัญญาณไม่น้อยกว่า 16 kHz ใช้ได้หนึ่งหรือสองช่องสัญญาณ แต่หากมีสองช่องจะใช้ช่องแรก
ตัวอย่างเสียงพูดต้องมีเพียงเสียงเดียว ไม่มีคนพูดพร้อมกัน ไม่มีดนตรีหรือการร้องเพลง ข้อกำหนดของผู้ผลิตจำกัดช่วงหยุดสั้น ๆ ในตัวอย่างไว้ไม่เกินสองวินาที เพื่อช่วยแยกโทนเสียงและลักษณะการออกเสียงที่ใช้สังเคราะห์ต่อไป การควบคุมการถ่ายทอดและการเลียนเสียงจากตัวอย่างเป็นคนละด้านของการทำงานของโมเดล และใช้เตรียมเสียงสำหรับเนื้อหาเดียวกันได้
Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech qwen-audio-3.0-tts-plus
qwen-audio-3.0-tts-plusqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
เริ่มต้น
โมเดลแปลงข้อความเป็นเสียงพูดที่สื่ออารมณ์ สำหรับวิดีโอ หนังสือเสียง และสื่อเสียง รองรับการควบคุมลีลาการพูดและการเลือกเสียงสำเร็จรูปหรือเสียงที่สร้างจากตัวอย่าง
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- speech
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech
- ขาเข้า
text- ขาออก
speech- รูปแบบเอาต์พุต
- mp3/wav/pcm ที่เลือก
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด qwen-audio-3.0-tts-plus | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 600 หน่วย: อักขระ Unicode | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด ตัวอย่าง: longanlingxin, longanlufeng แพตเทิร์นแบบกำหนดเองที่รองรับ: ^qwen-audio-3\.0-tts-plus- เงื่อนไข: ยอมรับ ID เสียงกำหนดเองจริงที่มีคำนำหน้าตรงตาม qwen-audio-3.0-tts-plus- | ค่าเริ่มต้นlonganlingxin |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด mp3, wav, pcm | ค่าเริ่มต้นmp3 |
ฟิลด์sample_rate | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด 16,000, 24,000, 48,000 หน่วย: Hz | ค่าเริ่มต้น24,000 |
ชุดผสมของสื่ออินพุต
text_to_speech · จำเป็น: input
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์material_types | ข้อกำหนดtext |
พารามิเตอร์required | ข้อกำหนดnull |
พารามิเตอร์optional_controls | ข้อกำหนดnull |
วงจรการทำงาน: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
รูปแบบเมธอดและ ID ระบุอย่างแม่นยำ ความสามารถของผู้ให้บริการแยกจากการอนุญาตให้รับคำขอ
ราคา
อัตราค่าบริการเมธอด Ailoot
POST /v1/audio/speech- ขาเข้า
- US$20.00 ต่อ 1 ล้านอักขระ
- ขาออก
- US$0.00 ต่อคำขอ
US$20.00 ต่ออักขระที่ใช้คำนวณ 1 ล้านตัว. อักษรสื่อความหมาย CJK นับเป็นอักขระที่ใช้คำนวณ 2 ตัว: US$40.00 ต่ออักษรสื่อความหมาย 1 ล้านตัว. น้ำหนักของอักขระ Unicode อื่น ๆ: 1. เสียงขาออก: US$0.00.
การนับแบบมีเงื่อนไขตามแค็ตตาล็อกอย่างละเอียด
{
"cjk_ideograph_weight": 2,
"input_usd_per_10000_counted_characters": 0.2,
"other_unicode_character_weight": 1,
"output_audio_usd": 0,
"unit": "counted_unicode_characters"
}Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot · การสังเคราะห์เสียงพูด
set -eu
: "${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
รับและบันทึกผลลัพธ์
Ailoot · การสังเคราะห์เสียงพูด
mp3/wav/pcm ที่เลือก
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ
ฟิลด์การตอบกลับ
| ฟิลด์ | ประเภท |
|---|---|
ฟิลด์binary audio | ประเภทbytes |
ฟิลด์response headers | ประเภทheaders |
ข้อผิดพลาดและขั้นตอนถัดไป
| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
|---|---|---|
การตอบกลับ400 · invalid_request_error | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |
การตอบกลับserver_error | เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์ | ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech qwen-tts
qwen-ttsqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
เริ่มต้น
โมเดลแปลงข้อความเป็นเสียงพูดที่สื่ออารมณ์ สำหรับวิดีโอ หนังสือเสียง และสื่อเสียง รองรับการควบคุมลีลาการพูดและการเลือกเสียงสำเร็จรูปหรือเสียงที่สร้างจากตัวอย่าง
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- speech
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech
- ขาเข้า
text- ขาออก
speech- รูปแบบเอาต์พุต
- mp3/wav/pcm ที่เลือก
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด qwen-tts | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 600 หน่วย: อักขระ Unicode | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด ตัวอย่าง: longanlingxin, longanlufeng แพตเทิร์นแบบกำหนดเองที่รองรับ: ^qwen-audio-3\.0-tts-plus- เงื่อนไข: ยอมรับ ID เสียงกำหนดเองจริงที่มีคำนำหน้าตรงตาม qwen-audio-3.0-tts-plus- | ค่าเริ่มต้นlonganlingxin |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด mp3, wav, pcm | ค่าเริ่มต้นmp3 |
ฟิลด์sample_rate | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด 16,000, 24,000, 48,000 หน่วย: Hz | ค่าเริ่มต้น24,000 |
ชุดผสมของสื่ออินพุต
text_to_speech · จำเป็น: input
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์material_types | ข้อกำหนดtext |
พารามิเตอร์required | ข้อกำหนดnull |
พารามิเตอร์optional_controls | ข้อกำหนดnull |
วงจรการทำงาน: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
รูปแบบเมธอดและ ID ระบุอย่างแม่นยำ ความสามารถของผู้ให้บริการแยกจากการอนุญาตให้รับคำขอ
ราคา
อัตราค่าบริการเมธอด Ailoot
POST /v1/audio/speech- ขาเข้า
- US$20.00 ต่อ 1 ล้านอักขระ
- ขาออก
- US$0.00 ต่อคำขอ
US$20.00 ต่ออักขระที่ใช้คำนวณ 1 ล้านตัว. อักษรสื่อความหมาย CJK นับเป็นอักขระที่ใช้คำนวณ 2 ตัว: US$40.00 ต่ออักษรสื่อความหมาย 1 ล้านตัว. น้ำหนักของอักขระ Unicode อื่น ๆ: 1. เสียงขาออก: US$0.00.
การนับแบบมีเงื่อนไขตามแค็ตตาล็อกอย่างละเอียด
{
"cjk_ideograph_weight": 2,
"input_usd_per_10000_counted_characters": 0.2,
"other_unicode_character_weight": 1,
"output_audio_usd": 0,
"unit": "counted_unicode_characters"
}Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot · การสังเคราะห์เสียงพูด
set -eu
: "${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
รับและบันทึกผลลัพธ์
Ailoot · การสังเคราะห์เสียงพูด
mp3/wav/pcm ที่เลือก
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ
ฟิลด์การตอบกลับ
| ฟิลด์ | ประเภท |
|---|---|
ฟิลด์binary audio | ประเภทbytes |
ฟิลด์response headers | ประเภทheaders |
ข้อผิดพลาดและขั้นตอนถัดไป
| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
|---|---|---|
การตอบกลับ400 · invalid_request_error | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |
การตอบกลับserver_error | เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์ | ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech qwen-tts-latest
qwen-tts-latestqwen-audio-3.0-tts-plusqwen-ttsqwen-tts-latest
เริ่มต้น
โมเดลแปลงข้อความเป็นเสียงพูดที่สื่ออารมณ์ สำหรับวิดีโอ หนังสือเสียง และสื่อเสียง รองรับการควบคุมลีลาการพูดและการเลือกเสียงสำเร็จรูปหรือเสียงที่สร้างจากตัวอย่าง
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- speech
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech
- ขาเข้า
text- ขาออก
speech- รูปแบบเอาต์พุต
- mp3/wav/pcm ที่เลือก
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด qwen-tts-latest | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุด: 600 หน่วย: อักขระ Unicode | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด ตัวอย่าง: longanlingxin, longanlufeng แพตเทิร์นแบบกำหนดเองที่รองรับ: ^qwen-audio-3\.0-tts-plus- เงื่อนไข: ยอมรับ ID เสียงกำหนดเองจริงที่มีคำนำหน้าตรงตาม qwen-audio-3.0-tts-plus- | ค่าเริ่มต้นlonganlingxin |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด mp3, wav, pcm | ค่าเริ่มต้นmp3 |
ฟิลด์sample_rate | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด 16,000, 24,000, 48,000 หน่วย: Hz | ค่าเริ่มต้น24,000 |
ชุดผสมของสื่ออินพุต
text_to_speech · จำเป็น: input
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์material_types | ข้อกำหนดtext |
พารามิเตอร์required | ข้อกำหนดnull |
พารามิเตอร์optional_controls | ข้อกำหนดnull |
วงจรการทำงาน: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
รูปแบบเมธอดและ ID ระบุอย่างแม่นยำ ความสามารถของผู้ให้บริการแยกจากการอนุญาตให้รับคำขอ
ราคา
อัตราค่าบริการเมธอด Ailoot
POST /v1/audio/speech- ขาเข้า
- US$20.00 ต่อ 1 ล้านอักขระ
- ขาออก
- US$0.00 ต่อคำขอ
US$20.00 ต่ออักขระที่ใช้คำนวณ 1 ล้านตัว. อักษรสื่อความหมาย CJK นับเป็นอักขระที่ใช้คำนวณ 2 ตัว: US$40.00 ต่ออักษรสื่อความหมาย 1 ล้านตัว. น้ำหนักของอักขระ Unicode อื่น ๆ: 1. เสียงขาออก: US$0.00.
การนับแบบมีเงื่อนไขตามแค็ตตาล็อกอย่างละเอียด
{
"cjk_ideograph_weight": 2,
"input_usd_per_10000_counted_characters": 0.2,
"other_unicode_character_weight": 1,
"output_audio_usd": 0,
"unit": "counted_unicode_characters"
}Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot · การสังเคราะห์เสียงพูด
set -eu
: "${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
รับและบันทึกผลลัพธ์
Ailoot · การสังเคราะห์เสียงพูด
mp3/wav/pcm ที่เลือก
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ
ฟิลด์การตอบกลับ
| ฟิลด์ | ประเภท |
|---|---|
ฟิลด์binary audio | ประเภทbytes |
ฟิลด์response headers | ประเภทheaders |
ข้อผิดพลาดและขั้นตอนถัดไป
| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
|---|---|---|
การตอบกลับ400 · invalid_request_error | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |
การตอบกลับserver_error | เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์ | ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · qwen-audio-3.0-tts-plus
- มีอินพุตและผลลัพธ์ใดบ้าง?
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- คำขอใช้ฟิลด์ใดบ้าง?
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- มีข้อจำกัดใดบ้าง?
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