Qwen: Qwen-Audio-3.0-TTS Flash
Qwen-Audio-3.0-TTS-Flash เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่มุ่งเน้นผู้ช่วยเสียงตอบสนองรวดเร็วและบทสนทนาแบบโต้ตอบ โดยรวมการสังเคราะห์แบบสตรีมมิง เสียงที่ตั้งไว้ล่วงหน้าหรือเสียงโคลนเฉพาะโมเดล และคำสั่งหรือแท็กสำหรับเสียงพูดที่สื่ออารมณ์
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
Qwen-Audio-3.0-TTS-Flash แปลงบทพูดที่ให้มาเป็นเสียง โดยรุ่น Flash มุ่งเน้นการโต้ตอบแบบเรียลไทม์ Qwen ระบุว่าการใช้งานหลักคือผู้ช่วยเสียง บทสนทนาแบบโต้ตอบ และบริการลูกค้าอัจฉริยะ เมื่อเทียบกับเวอร์ชันก่อน ผู้พัฒนาอธิบายว่ารองรับภาษาที่มีทรัพยากรจำกัดและภาษาถิ่นจีนได้กว้างขึ้น ถ่ายทอดภาษาถิ่นได้สมจริงขึ้น และควบคุมอารมณ์ น้ำเสียง บุคลิก ความเร็ว ความดัง และรูปแบบการพูดได้มากขึ้น อีกทั้งรายงานว่ามีความชัดเจนและความทนทานดีขึ้นในสภาพเสียงที่มีสัญญาณรบกวนหรือเสียงก้อง นี่คือการสังเคราะห์ข้อความเป็นเสียง ไม่ใช่การรู้จำเสียงพูดขาเข้าหรือโมเดลสนทนาด้วยเสียง
Flash ให้ความสำคัญกับการเริ่มส่งเสียงพูดในระหว่างการโต้ตอบ Qwen รายงานว่าความหน่วงของแพ็กเก็ตแรกสำหรับการสังเคราะห์แบบเรียลไทม์ของโมเดลนี้อยู่ภายใน 200 มิลลิวินาที คู่มือการใช้งานยังระบุว่าการสร้างการเชื่อมต่อครั้งแรกมีส่วนต่อความหน่วงที่วัดได้ในการส่งครั้งแรก เตรียมคำที่จะพูดแยกจากลักษณะการพูดที่ต้องการ สำหรับคำตอบของผู้ช่วยเสียง ตัวอย่างคำสั่งอาจรวมคำตอบกระชับเข้ากับคำสั่งให้พูดอย่างสงบและชัดเจน ผลลัพธ์ที่เกี่ยวข้องคือเสียงพูดที่สร้างจากข้อความนั้น โดยแอปพลิเคชันจัดการการเล่นเสียงและบทสนทนารอบข้าง
รายการเสียงระบบของผู้พัฒนามีตัวเลือกเฉพาะโมเดล เช่น Long An Feng Yue สำหรับการพูดเป็นธรรมชาติและเป็นมิตร และ Long An Xiao Xin สำหรับการพูดเป็นมิตรและมีชีวิตชีวา โดยทั้งสองเสียงระบุว่ารองรับภาษาจีนกลางและภาษาอังกฤษ นอกจากนี้ยังมีเสียงภาษาอังกฤษ เช่น loongmary ที่มีสำเนียงอังกฤษ และ loongjohn ที่มีสำเนียงอเมริกันสงบและเป็นมิตร แต่ละโมเดลยังมีเสียงพื้นฐานมากกว่า 500 เสียง Qwen แนะนำให้เริ่มจากเสียงระบบเพื่อความสม่ำเสมอ และประเมินเสียงตัวอย่างก่อนเลือกเสียงพื้นฐาน เสียงต้องเป็นของโมเดลที่เลือก และบทพูดต้องใช้ภาษาที่เสียงนั้นรองรับ
เสียงโคลนขยายขอบเขตภาษาที่ระบุในเอกสารให้ครอบคลุมภาษาจีน อังกฤษ ญี่ปุ่น เกาหลี รัสเซีย ฝรั่งเศส เยอรมัน โปรตุเกส ไทย อินโดนีเซีย เวียดนาม สเปน อิตาลี มลายู ฟิลิปปินส์ และอาหรับ สำหรับภาษาจีน ครอบคลุมจีนกลาง กวางตุ้ง ฉงชิ่ง ภาคตะวันออกเฉียงเหนือ กานซู่ กุ้ยโจว เจ้อเจียง เหอเป่ย เหอหนาน หูเป่ย หูหนาน เจียงซี หนิงโป หนิงเซี่ย ชิงเต่า ส่านซี (Shaanxi) ซานซี (Shanxi) ซานตง เซี่ยงไฮ้ เสฉวน และยูนนาน โดยเลือกภาษาถิ่นผ่านคำสั่ง ตารางโมเดลระบุว่ารองรับการโคลนเสียงจากตัวอย่าง และแยกความสามารถนี้จากการสร้างเสียงใหม่ด้วยคำบรรยายข้อความเพียงอย่างเดียว ซึ่งรุ่นนี้ไม่รองรับ
สำหรับการโคลน ผู้พัฒนาแนะนำเสียงบันทึกยาว 10–20 วินาที โดยยาวได้สูงสุด 60 วินาทีและขนาดไฟล์ไม่เกิน 10 MB รูปแบบไฟล์อ้างอิงที่รองรับคือ WAV แบบ 16 บิต MP3 และ M4A ที่มีอัตราสุ่มตัวอย่างอย่างน้อย 16 kHz เสียงบันทึกต้องมีเสียงพูดต่อเนื่องชัดเจนอย่างน้อยห้าวินาที และช่วงหยุดอื่นไม่ควรยาวเกินสองวินาที หลีกเลี่ยงเสียงพื้นหลัง เสียงคนอื่น และการร้องเพลง รองรับสเตอริโอ แต่ประมวลผลเฉพาะช่องแรก กระบวนการโคลนจะคืนตัวระบุเสียงที่ผูกกับโมเดลเป้าหมายที่แน่นอน และใช้ตัวระบุนั้นสังเคราะห์เมื่อเสียงพร้อมใช้งาน เสียงบันทึกเดียวกันต้องสร้างเสียงโคลนแยกสำหรับ Flash และ Plus
คำสั่งภาษาธรรมชาติควบคุมวิธีการพูดได้ทั้งเสียงระบบและเสียงโคลน อธิบายคุณสมบัติที่ได้ยิน เช่น น้ำเสียงอ่อนโยน การออกเสียงชัดเจน หรือจังหวะที่ช้าลงเล็กน้อย แท็กภายในข้อความให้การควบคุมอีกแบบหนึ่ง: [empathetic] หรือ [serious] กำหนดสไตล์ให้ข้อความถัดไป ส่วน [laughing] หรือ [sighing] แทรกเอฟเฟกต์เสียงในตำแหน่งเฉพาะ แท็กควบคุมมีผลจนกว่าจะพบแท็กควบคุมอื่นหรือมีการแบ่งประโยคโดยอัตโนมัติ แท็กอารมณ์และการแสดงออกทางภาษาที่หลากหลายเหล่านี้มีเอกสารรองรับเฉพาะสตรีมมิงทางเดียว ไม่ใช่โหมดป้อนข้อความสองทาง เตรียมประโยคที่สื่ออารมณ์ในโหมดที่เหมาะกับการควบคุมเหล่านั้น
อินเทอร์เฟซเสียงพูดของผู้พัฒนารองรับ PCM, WAV, MP3 และ Opus อัตราสุ่มตัวอย่างที่ระบุคือ 8,000, 16,000, 22,050, 24,000, 44,100 และ 48,000 Hz โดยค่าเริ่มต้นคือ MP3 และ 22,050 Hz ความดังอยู่ระหว่าง 0 ถึง 100 ส่วนอัตราการพูดและระดับเสียงสูงต่ำต่างอยู่ระหว่าง 0.5 ถึง 2.0 MP3 และ Opus ยังมีการตั้งค่าบิตเรตตั้งแต่ 6 ถึง 510 kbps เลือกรูปแบบและอัตราสุ่มตัวอย่างให้ตรงกับโปรแกรมเล่นเสียงหรือกระบวนการประมวลผลที่ต้องการ สำหรับแอปพลิเคชันแบบโต้ตอบ ผู้พัฒนาระบุเฟรมเสียงแบบสตรีมมิงและข้อมูลกำกับประโยค พร้อมการประทับเวลาระดับคำในผลลัพธ์สตรีมมิงสำหรับเสียงที่เข้าเงื่อนไข รวมถึงเสียงโคลน
โปรโตคอลข้อความ WebSocket ที่ระบุในเอกสารรับข้อความได้สูงสุด 20,000 อักขระต่อหนึ่งข้อความ และสะสมได้ 200,000 อักขระต่อหนึ่งงาน โดยช่วงเวลาระหว่างการส่งต้องไม่เกิน 23 วินาที ข้อกำหนดเหล่านี้เป็นขีดจำกัดของโปรโตคอลผู้พัฒนา แยกจากขีดจำกัดสากลด้านระยะเวลาเสียงขาออกของโมเดล รองรับการยกเลิกช่วงสังเคราะห์ปัจจุบันและเริ่มงานถัดไปบนการเชื่อมต่อเดิม เก็บส่วนข้อความตามลำดับที่ต้องการให้พูด และจบการป้อนเมื่อบทพูดครบ สำหรับการเตรียมการออกเสียง ผู้พัฒนาระบุคำใบ้ภาษาปลายทาง คำกำกับพินอิน และการแทนที่ข้อความ ซึ่งมีประโยชน์เมื่อตัวเลข คำย่อ หรือสัญลักษณ์ถูกออกเสียงผิดไปจากที่คาด
SSML เป็นทางเลือกการใส่มาร์กอัปแยกต่างหากที่มีเงื่อนไขเรื่องเสียงและโหมดการโต้ตอบ: Qwen ระบุไว้สำหรับเสียงโคลน ด้วยการเรียกแบบไม่สตรีมมิงหรือสตรีมมิงทางเดียว และส่งข้อความครั้งเดียวเมื่อเปิดใช้ SSML ไม่ควรถือว่ารองรับเสียงที่ตั้งไว้ล่วงหน้าทุกเสียงหรือสตรีมสองทาง สำหรับบทสนทนาทั่วไป ให้เริ่มจากเสียงที่เข้ากันได้ บทพูดที่ชัดเจนและพร้อมอ่าน และคำสั่งการพูดที่เฉพาะเจาะจง แล้วเพิ่มการควบคุมการออกเสียงหรือการแสดงอารมณ์เฉพาะจุดเมื่อจำเป็น วิธีนี้คงให้โปรไฟล์ Flash มุ่งเน้นเสียงพูดตอบสนองรวดเร็วจากข้อความที่เตรียมไว้ แทนที่จะปะปนกับความสามารถของโมเดลเสียง Qwen อื่น
Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech qwen/qwen-audio-3.0-tts-flash
qwen/qwen-audio-3.0-tts-flashเริ่มต้น
Qwen-Audio-3.0-TTS-Flash เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่มุ่งเน้นผู้ช่วยเสียงตอบสนองรวดเร็วและบทสนทนาแบบโต้ตอบ โดยรวมการสังเคราะห์แบบสตรีมมิง เสียงที่ตั้งไว้ล่วงหน้าหรือเสียงโคลนเฉพาะโมเดล และคำสั่งหรือแท็กสำหรับเสียงพูดที่สื่ออารมณ์
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- เสียง
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech
- ขาเข้า
text- ขาออก
audio- รูปแบบเอาต์พุต
- mp3
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด qwen/qwen-audio-3.0-tts-flash | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 หน่วย: อักขระ Unicode | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด loongjohn, longanhuan_v3.6 | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด mp3 | ค่าเริ่มต้น— |
ชุดผสมของสื่ออินพุต
text_to_speech · จำเป็น: input
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์content_type | ข้อกำหนดapplication/json |
พารามิเตอร์required | ข้อกำหนดmodel, input, voice, response_format |
พารามิเตอร์voice_ids | ข้อกำหนดloongjohn, longanhuan_v3.6 |
พารามิเตอร์response_format | ข้อกำหนดmp3 |
พารามิเตอร์max_input_characters | ข้อกำหนดnull |
พารามิเตอร์other_options | ข้อกำหนดfalse |
พารามิเตอร์input | ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน |
พารามิเตอร์material_types | ข้อกำหนดtext |
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}
เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้
อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ
ราคา
ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก
- โหมดรวดเร็ว
- ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
- โหมดยืดหยุ่น
- ไม่ได้ระบุ เมื่อเลือกโหมด flex
- ระดับการใช้เหตุผลสูงสุด
- ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด
อัตราค่าบริการ Ailoot
ราคาตามการตั้งค่า
เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน
| การตั้งค่า | ตารางอัตราค่าบริการ | ปริมาณที่ใช้คิดค่าบริการ | หน่วยคิดค่าบริการ | ค่าบริการ |
|---|---|---|---|---|
| การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน | ตารางอัตราค่าบริการอัตราพื้นฐาน | ปริมาณที่ใช้คิดค่าบริการ— | หน่วยคิดค่าบริการ— | ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น |
| การตั้งค่าUltra | ตารางอัตราค่าบริการ— | ปริมาณที่ใช้คิดค่าบริการนับแต่ละโค้ดพอยต์ Unicode เป็นหนึ่งอักขระ รวมถึงอักษรฮั่น | หน่วยคิดค่าบริการต่ออักขระอินพุต 1K ตัว | ค่าบริการ ขาเข้า · อักขระขาเข้า $0.03 ต่ออักขระอินพุต 1K ตัว |
รายละเอียดอัตราอ้างอิง
ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก
Qwen: Qwen-Audio-3.0-TTS Flash
ราคาตามการตั้งค่า
| การตั้งค่า | เงื่อนไขคิดค่าบริการ | ค่าบริการ |
|---|---|---|
| การตั้งค่าQwen: Qwen-Audio-3.0-TTS Flash · การตั้งค่าเริ่มต้น | เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น | ค่าบริการ ขาเข้า · อักขระอินพุต US$0.00003 ต่ออักขระอินพุต |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · การสังเคราะห์เสียงพูด
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen/qwen-audio-3.0-tts-flash", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["loongjohn", "longanhuan_v3.6"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
รับและบันทึกผลลัพธ์
Ailoot Ultra · การสังเคราะห์เสียงพูด
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
การอ่านเนื้อหาแบบอื่น
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT
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 Ultra qwen/qwen-audio-3.0-tts-flash
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · Qwen: Qwen-Audio-3.0-TTS Flash
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-flash:text→audio- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-flash:model,input,voice,response_format