Qwen: Qwen-Audio-3.0-TTS Plus
Qwen-Audio-3.0-TTS-Plus เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่เน้นเสียงละเอียด เป็นธรรมชาติ และมีอารมณ์สำหรับการบรรยาย หนังสือเสียง และการพากย์ รองรับเสียงสำเร็จรูปหรือเสียงโคลนที่ใช้กับโมเดลนี้โดยเฉพาะ ผลลัพธ์แบบสตรีม และคำสั่งหรือแท็กเพื่อกำหนดการถ่ายทอดเสียง
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
Qwen-Audio-3.0-TTS-Plus แปลงข้อความที่เขียนเป็นเสียงพูดที่มีอารมณ์ โดยรุ่น Plus เน้นคุณภาพการสังเคราะห์ ความเป็นธรรมชาติ และรายละเอียดการถ่ายทอดเสียง Qwen ระบุการสร้างเนื้อหา หนังสือเสียง การพากย์ภาพยนตร์และวิดีโอ และการผลิตเสียงพูดอย่างมืออาชีพเป็นการใช้งานหลัก โปรไฟล์ที่ปรับปรุงของโมเดลอธิบายการรองรับภาษาที่มีทรัพยากรน้อยและภาษาถิ่นจีนที่กว้างขึ้น ความสมจริงของภาษาถิ่นที่ดีขึ้น และการควบคุมอารมณ์ น้ำเสียง บุคลิก อัตราการพูด ความดัง และสไตล์ที่มากขึ้น ผู้พัฒนายังรายงานความชัดเจน ความละเอียด และความทนทานที่ดีขึ้นภายใต้สภาพเสียงรบกวนหรือเสียงก้อง
Plus เป็นรุ่นที่เน้นคุณภาพในตระกูลแปลงข้อความเป็นเสียงพูดนี้ ส่วน Flash วางตำแหน่งแยกสำหรับการโต้ตอบแบบเรียลไทม์ เตรียมคำบรรยายเป็นบทพูด โดยระบุผู้ฟัง จังหวะ และทิศทางอารมณ์ สำหรับข้อความหนังสือเสียง คำอธิบายงานตัวอย่างอาจขอการออกเสียงชัด จังหวะพอดี และความอบอุ่นที่พอประมาณ สำหรับเสียงบรรยายวิดีโอ อาจขอเปิดอย่างจริงจังแล้วตามด้วยคำอธิบายที่มีพลังมากขึ้น สิ่งเหล่านี้เป็นตัวเลือกในการถ่ายทอดคำที่ให้มา โมเดลเป็นเครื่องสังเคราะห์เสียงพูด ไม่ใช่บริการถอดเสียงหรือเครื่องสร้างฉากภาพทั้งหมด
เสียงระบบอย่างเป็นทางการของ Plus ได้แก่ Long An Ling Xin ซึ่งอธิบายว่าอบอุ่นและเห็นอกเห็นใจ และ Long An Lu Feng ซึ่งอธิบายว่าสดใสและร่าเริง ทั้งสองระบุไว้สำหรับภาษาจีนกลางและอังกฤษ ผู้พัฒนายังมีเสียงพื้นฐานมากกว่า 500 เสียงสำหรับรุ่นนี้ พร้อมตัวอย่างให้ประเมินก่อนเลือก และแนะนำเสียงระบบเพื่อการสังเคราะห์ที่สม่ำเสมอกว่า เลือกเสียงจากรายการ Plus ที่ตรงรุ่นและจับคู่ภาษาของบทกับภาษาที่เสียงนั้นรองรับ เสียงจาก Flash ไม่สามารถใช้แทนกันได้เพียงเพราะอยู่ในตระกูลเดียวกันที่กว้างกว่า
โมเดลรองรับการโคลนเสียงจากตัวอย่าง ภาษาของเสียงโคลนที่ระบุในเอกสาร ได้แก่ จีน อังกฤษ ญี่ปุ่น เกาหลี รัสเซีย ฝรั่งเศส เยอรมัน โปรตุเกส ไทย อินโดนีเซีย เวียดนาม สเปน อิตาลี มาเลย์ ฟิลิปิโน และอาหรับ รูปแบบภาษาจีนประกอบด้วยจีนกลาง กวางตุ้ง ฉงชิ่ง ตะวันออกเฉียงเหนือ กานซู่ กุ้ยโจว เจ้อเจียง เหอเป่ย เหอหนาน หูเป่ย หูหนาน เจียงซี หนิงโป หนิงเซี่ย ชิงเต่า ส่านซี ชานซี ซานตง เซี่ยงไฮ้ เสฉวน และยูนนาน โดยควบคุมภาษาถิ่นผ่านคำสั่ง ตารางโมเดลของผู้พัฒนาแยกการโคลนออกจากการสร้างเสียงตามคำบรรยายข้อความ Plus รองรับการโคลน แต่ไม่รองรับโหมดออกแบบเสียงที่แยกต่างหากนั้น
เสียงอ้างอิงที่เหมาะกับการโคลนคือเสียงพูดชัดที่ความเร็วปกติ ไม่มีดนตรี เสียงพื้นหลัง ผู้พูดซ้อนกัน หรือการร้องเพลง ผู้พัฒนาแนะนำ 10–20 วินาทีและอนุญาตสูงสุด 60 วินาที ในไฟล์ไม่เกิน 10 MB รูปแบบอ้างอิงคือ WAV 16-bit, MP3 และ M4A โดยมีอัตราสุ่มตัวอย่างขั้นต่ำ 16 kHz ต้องมีเสียงพูดชัดต่อเนื่องอย่างน้อยห้าวินาที และช่วงหยุดที่เหลือไม่ควรยาวเกินสองวินาที สำหรับสเตอริโอ จะประมวลผลเฉพาะช่องแรก ตัวระบุเสียงที่สร้างจะผูกกับ Plus และใช้สังเคราะห์เมื่อพร้อม การสร้างเสียงจากตัวอย่างเดียวกันผ่าน Flash ต้องสร้างเสียง Flash แยกต่างหาก
คำสั่งภาษาธรรมชาติสามารถกำหนดน้ำเสียง จังหวะ อารมณ์ และลักษณะเสียงของทั้งเสียงระบบและเสียงโคลน ใช้คำอธิบายสิ่งที่ได้ยินอย่างเฉพาะเจาะจงแทนคำขอเสียงดีแบบคลุมเครือ แท็กอารมณ์ในข้อความกำหนดสไตล์ภายในบทได้ และแท็กการแสดงออกทางเสียงแทรกเอฟเฟกต์เสียงที่จุดที่เลือกได้ ตัวอย่างเช่น [serious] เปลี่ยนการถ่ายทอดส่วนถัดไป ส่วน [sighing] แทรกเสียงถอนหายใจโดยไม่เปลี่ยนสไตล์อารมณ์รอบข้าง แท็กควบคุมมีผลจนถึงแท็กควบคุมถัดไปหรือการแบ่งประโยคอัตโนมัติ ฟีเจอร์แท็กนี้ระบุไว้สำหรับสตรีมทิศทางเดียวเท่านั้น จึงมีขอบเขตต่างจากคำสั่งที่ใช้กับข้อมูลเข้าข้อความแบบสองทิศทาง
ตัวเลือกผลลัพธ์ของผู้พัฒนาคือ PCM, WAV, MP3 และ Opus ที่อัตราสุ่มตัวอย่าง 8,000, 16,000, 22,050, 24,000, 44,100 และ 48,000 Hz ตามรายการ MP3 และ 22,050 Hz เป็นค่าเริ่มต้นที่ระบุในเอกสาร ตั้งความดังได้จาก 0 ถึง 100 และอัตราการพูดกับระดับเสียงจาก 0.5 ถึง 2.0 ส่วน MP3 และ Opus ยังเลือกบิตเรตจาก 6 ถึง 510 kbps ได้ เลือกรูปแบบที่ต้องใช้สำหรับเล่นหรือตัดต่อ แล้วรักษาการตั้งค่าให้เหมือนกันตลอดส่วนต่าง ๆ ของงานยาว ผลลัพธ์แบบสตรีมมีเฟรมเสียงและเมทาดาทาของประโยค พร้อมเวลาของแต่ละคำสำหรับเสียงที่มีสิทธิ์ รวมถึงเสียงโคลน
ขั้นตอนรับข้อความผ่าน WebSocket ที่ระบุในเอกสารอนุญาต 20,000 อักขระต่อข้อความ และสะสมรวม 200,000 อักขระ โดยกำหนดช่วงระหว่างการส่งไม่เกิน 23 วินาที รับบททั้งหมดหรือส่วนข้อความตามลำดับได้ และจบเมื่อป้อนข้อมูลครบ ผู้พัฒนายังระบุการยกเลิกรอบสังเคราะห์ปัจจุบัน สิ่งเหล่านี้เป็นข้อจำกัดและพฤติกรรมของโปรโตคอลนั้น ไม่ใช่เพดานความยาวเสียงที่สร้างซึ่งใช้ได้ทุกกรณี สำหรับคำบรรยายยาว ให้จัดบทเป็นส่วนที่สอดคล้องกันและเก็บลำดับกับข้อความควบคู่เสียงที่ได้ เพื่อประกอบและตรวจงานอย่างสม่ำเสมอ
ด้านการออกเสียง ผู้พัฒนามีคำบอกภาษาเป้าหมาย คำกำกับพินอิน และการแทนข้อความ เพื่อแก้ไขการอ่านตัวเลข ตัวย่อ สัญลักษณ์ หรือคำในแบบที่ไม่ต้องการ SSML เป็นโหมดมาร์กอัปแยกที่มีเงื่อนไขการใช้งาน เอกสาร Qwen รองรับกับเสียงโคลนในการเรียกแบบไม่สตรีมหรือสตรีมทิศทางเดียว โดยส่งข้อความได้เพียงครั้งเดียวเมื่อเปิดโหมดนี้ ไม่ได้ระบุว่า SSML ใช้ได้กับเสียงระบบทุกเสียงหรือสตรีมสองทิศทาง ขั้นตอนใช้งาน Plus ที่เหมาะสมเริ่มด้วยเสียงที่เข้ากันได้และบทที่เสร็จแล้ว จากนั้นเพิ่มตัวเลือกการถ่ายทอดและการออกเสียงที่แม่นยำสำหรับข้อความที่บรรยาย
Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech qwen/qwen-audio-3.0-tts-plus
qwen/qwen-audio-3.0-tts-plusเริ่มต้น
Qwen-Audio-3.0-TTS-Plus เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่เน้นเสียงละเอียด เป็นธรรมชาติ และมีอารมณ์สำหรับการบรรยาย หนังสือเสียง และการพากย์ รองรับเสียงสำเร็จรูปหรือเสียงโคลนที่ใช้กับโมเดลนี้โดยเฉพาะ ผลลัพธ์แบบสตรีม และคำสั่งหรือแท็กเพื่อกำหนดการถ่ายทอดเสียง
- 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-plus | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 หน่วย: อักขระ Unicode | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด longanlingxin, longanlufeng | 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 | ข้อกำหนดlonganlingxin, longanlufeng |
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 $0.04 ต่ออักขระอินพุต 1K ตัว |
รายละเอียดอัตราอ้างอิง
ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก
Qwen: Qwen-Audio-3.0-TTS Plus
ราคาตามการตั้งค่า
| การตั้งค่า | เงื่อนไขคิดค่าบริการ | ค่าบริการ |
|---|---|---|
| การตั้งค่าQwen: Qwen-Audio-3.0-TTS Plus · การตั้งค่าเริ่มต้น | เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น | ค่าบริการ ขาเข้า · อักขระอินพุต US$0.00004 ต่ออักขระอินพุต |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · การสังเคราะห์เสียงพูด
set -eu
: "${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-plus", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["longanlingxin", "longanlufeng"]')
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-plus
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · Qwen: Qwen-Audio-3.0-TTS Plus
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-plus:text→audio- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-plus:model,input,voice,response_format