{ "aboutHtml": "

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

", "aboutText": "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\n\nPlus เป็นรุ่นที่เน้นคุณภาพในตระกูลแปลงข้อความเป็นเสียงพูดนี้ ส่วน Flash วางตำแหน่งแยกสำหรับการโต้ตอบแบบเรียลไทม์ เตรียมคำบรรยายเป็นบทพูด โดยระบุผู้ฟัง จังหวะ และทิศทางอารมณ์ สำหรับข้อความหนังสือเสียง คำอธิบายงานตัวอย่างอาจขอการออกเสียงชัด จังหวะพอดี และความอบอุ่นที่พอประมาณ สำหรับเสียงบรรยายวิดีโอ อาจขอเปิดอย่างจริงจังแล้วตามด้วยคำอธิบายที่มีพลังมากขึ้น สิ่งเหล่านี้เป็นตัวเลือกในการถ่ายทอดคำที่ให้มา โมเดลเป็นเครื่องสังเคราะห์เสียงพูด ไม่ใช่บริการถอดเสียงหรือเครื่องสร้างฉากภาพทั้งหมด\n\nเสียงระบบอย่างเป็นทางการของ 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\n\nโมเดลรองรับการโคลนเสียงจากตัวอย่าง 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\n\nเสียงอ้างอิงที่เหมาะกับการโคลนคือเสียงพูดชัดที่ความเร็วปกติ 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\n\nคำสั่งภาษาธรรมชาติสามารถกำหนดน้ำเสียง จังหวะ อารมณ์ และลักษณะเสียงของทั้งเสียงระบบและเสียงโคลน ใช้คำอธิบายสิ่งที่ได้ยินอย่างเฉพาะเจาะจงแทนคำขอเสียงดีแบบคลุมเครือ แท็กอารมณ์ในข้อความกำหนดสไตล์ภายในบทได้ และแท็กการแสดงออกทางเสียงแทรกเอฟเฟกต์เสียงที่จุดที่เลือกได้ ตัวอย่างเช่น [serious] เปลี่ยนการถ่ายทอดส่วนถัดไป ส่วน [sighing] แทรกเสียงถอนหายใจโดยไม่เปลี่ยนสไตล์อารมณ์รอบข้าง แท็กควบคุมมีผลจนถึงแท็กควบคุมถัดไปหรือการแบ่งประโยคอัตโนมัติ ฟีเจอร์แท็กนี้ระบุไว้สำหรับสตรีมทิศทางเดียวเท่านั้น จึงมีขอบเขตต่างจากคำสั่งที่ใช้กับข้อมูลเข้าข้อความแบบสองทิศทาง\n\nตัวเลือกผลลัพธ์ของผู้พัฒนาคือ 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\n\nขั้นตอนรับข้อความผ่าน WebSocket ที่ระบุในเอกสารอนุญาต 20,000 อักขระต่อข้อความ และสะสมรวม 200,000 อักขระ โดยกำหนดช่วงระหว่างการส่งไม่เกิน 23 วินาที รับบททั้งหมดหรือส่วนข้อความตามลำดับได้ และจบเมื่อป้อนข้อมูลครบ ผู้พัฒนายังระบุการยกเลิกรอบสังเคราะห์ปัจจุบัน สิ่งเหล่านี้เป็นข้อจำกัดและพฤติกรรมของโปรโตคอลนั้น ไม่ใช่เพดานความยาวเสียงที่สร้างซึ่งใช้ได้ทุกกรณี สำหรับคำบรรยายยาว ให้จัดบทเป็นส่วนที่สอดคล้องกันและเก็บลำดับกับข้อความควบคู่เสียงที่ได้ เพื่อประกอบและตรวจงานอย่างสม่ำเสมอ\n\nด้านการออกเสียง ผู้พัฒนามีคำบอกภาษาเป้าหมาย คำกำกับพินอิน และการแทนข้อความ เพื่อแก้ไขการอ่านตัวเลข ตัวย่อ สัญลักษณ์ หรือคำในแบบที่ไม่ต้องการ SSML เป็นโหมดมาร์กอัปแยกที่มีเงื่อนไขการใช้งาน เอกสาร Qwen รองรับกับเสียงโคลนในการเรียกแบบไม่สตรีมหรือสตรีมทิศทางเดียว โดยส่งข้อความได้เพียงครั้งเดียวเมื่อเปิดโหมดนี้ ไม่ได้ระบุว่า SSML ใช้ได้กับเสียงระบบทุกเสียงหรือสตรีมสองทิศทาง ขั้นตอนใช้งาน Plus ที่เหมาะสมเริ่มด้วยเสียงที่เข้ากันได้และบทที่เสร็จแล้ว จากนั้นเพิ่มตัวเลือกการถ่ายทอดและการออกเสียงที่แม่นยำสำหรับข้อความที่บรรยาย", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5abe3a4135b2aabac3cf7ef0f16d52c1fcc29df0f28b00967b88d994d24f8b8b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "th", "methods": [ { "html": "
Al

Qwen: Qwen-Audio-3.0-TTS Plus

Alibaba /qwen/qwen-audio-3.0-tts-plus

เริ่มต้น

Qwen-Audio-3.0-TTS-Plus เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่เน้นเสียงละเอียด เป็นธรรมชาติ และมีอารมณ์สำหรับการบรรยาย หนังสือเสียง และการพากย์ รองรับเสียงสำเร็จรูปหรือเสียงโคลนที่ใช้กับโมเดลนี้โดยเฉพาะ ผลลัพธ์แบบสตรีม และคำสั่งหรือแท็กเพื่อกำหนดการถ่ายทอดเสียง

อินพุตที่รองรับ
ข้อความ
ผลลัพธ์
เสียง
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

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech
ขาเข้า
text
ขาออก
audio
รูปแบบเอาต์พุต
mp3
ฟิลด์ประเภทข้อกำหนดค่าและข้อจำกัดค่าเริ่มต้น
ฟิลด์modelประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
qwen/qwen-audio-3.0-tts-plus
ค่าเริ่มต้น—
ฟิลด์inputประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
ความยาวขั้นต่ำ: 1
หน่วย: อักขระ Unicode
ค่าเริ่มต้น—
ฟิลด์voiceประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
longanlingxin, longanlufeng
ค่าเริ่มต้น—
ฟิลด์response_formatประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
mp3
ค่าเริ่มต้น—
ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด
พารามิเตอร์ข้อกำหนด
พารามิเตอร์content_typeข้อกำหนดapplication/json
พารามิเตอร์requiredข้อกำหนดmodel, input, voice, response_format
พารามิเตอร์voice_idsข้อกำหนดlonganlingxin, longanlufeng
พารามิเตอร์response_formatข้อกำหนดmp3
พารามิเตอร์max_input_charactersข้อกำหนดnull
พารามิเตอร์other_optionsข้อกำหนดfalse
พารามิเตอร์inputข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน
พารามิเตอร์material_typesข้อกำหนดtext

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

การตั้งค่าตารางอัตราค่าบริการปริมาณที่ใช้คิดค่าบริการหน่วยคิดค่าบริการค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐานตารางอัตราค่าบริการอัตราพื้นฐานปริมาณที่ใช้คิดค่าบริการ—หน่วยคิดค่าบริการ—ค่าบริการ
ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น
ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น
ขาเข้า · การอ่านแคช — / 1K โทเค็น
ขาเข้า · การเขียนแคช — / 1K โทเค็น
ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltraตารางอัตราค่าบริการ—ปริมาณที่ใช้คิดค่าบริการนับแต่ละโค้ดพอยต์ Unicode เป็นหนึ่งอักขระ รวมถึงอักษรฮั่นหน่วยคิดค่าบริการต่ออักขระอินพุต 1K ตัวค่าบริการ
ขาเข้า · อักขระขาเข้า $0.04 ต่ออักขระอินพุต 1K ตัว

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

Qwen: Qwen-Audio-3.0-TTS Plus

ราคาตามการตั้งค่า

การตั้งค่าเงื่อนไขคิดค่าบริการค่าบริการ
การตั้งค่าQwen: Qwen-Audio-3.0-TTS Plus · การตั้งค่าเริ่มต้นเงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้นค่าบริการ
ขาเข้า · อักขระอินพุต US$0.00004 ต่ออักขระอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

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\n

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

mp3

การอ่านเนื้อหาแบบอื่น
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\n
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ
ฟิลด์ประเภท
ฟิลด์binary audioประเภทbytes
ฟิลด์response headersประเภทheaders
ข้อผิดพลาดและขั้นตอนถัดไป
การตอบกลับเงื่อนไขขั้นตอนถัดไป
การตอบกลับ400 · invalid_request_errorเงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้องขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับserver_errorเงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra qwen/qwen-audio-3.0-tts-plus

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

qwen/qwen-audio-3.0-tts-plus

", "method_identity": { "effective_request_model_id": "qwen/qwen-audio-3.0-tts-plus", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "qwen/qwen-audio-3.0-tts-plus", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|qwen%2Fqwen-audio-3.0-tts-plus", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete binary result and headers. If JSON/multiple outputs are returned, retain every data item and fetch each actual signed asset URL.", "errors": [ { "code": null, "condition": "ฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง", "http_status": 400, "recovery": "แก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่", "type": "invalid_request_error" }, { "code": null, "condition": "การตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์", "http_status": null, "recovery": "เก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ" }, "material_combinations": [ { "content_type": "application/json", "mode": "text_to_speech", "required": [ "input" ] } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "text_to_speech" ], "outputs": { "all_results": "เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง", "family": "audio", "fields": [ { "description": null, "name": "binary audio", "type": "bytes" }, { "description": null, "name": "response headers", "type": "headers" } ], "format": "mp3", "http_success": 200 }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen-audio-3.0-tts-plus" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "limit_known": false, "maximum_length": null, "min_length": 1, "name": "input", "required": true, "type": "string", "unit": "อักขระ Unicode" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "longanlingxin", "longanlufeng" ], "enum_known": true, "name": "voice", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mp3" ], "enum_known": true, "name": "response_format", "required": true, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "every field outside exactmodel,input,voice,response_format", "stream/speed/reference speech options" ] }, "hints": [ "เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้", "อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ" ], "input": { "content_type": "application/json", "input": "ข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน", "material_types": [ "text" ], "max_input_characters": null, "other_options": false, "required": [ "model", "input", "voice", "response_format" ], "response_format": [ "mp3" ], "voice_ids": [ "longanlingxin", "longanlufeng" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "operation_modes": [ "text_to_speech" ], "output": { "family": "audio", "format": "mp3", "http_success": 200, "response": "full binary MP3 plus response headers", "result": "complete playable owned MP3" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.04000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00004", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "f97459395132c904c87d", "label": "Qwen: Qwen-Audio-3.0-TTS Plus", "profiles": [ { "basis": "", "dimensions": { "conditions": "การตั้งค่าเริ่มต้น" }, "label": "Qwen: Qwen-Audio-3.0-TTS Plus · การตั้งค่าเริ่มต้น", "units": [ { "amount": "0.00004", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "c9d83494b95201f9ee8ab13d", "label": "Input characters", "public_unit_label": "per input character", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_character" } ] } ] } ], "examples": [ { "code": "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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${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 $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${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 $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${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\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "hints": [ "Select exact voice from this model profile.", "Input characters and audio seconds are different meters." ], "http": "POST", "in": null, "input": [ "text" ], "label": "Озвучка текста", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": 4e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.04000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00004", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "request_model_id": "qwen/qwen-audio-3.0-tts-plus", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.04000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00004", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } } ], "model_id": "qwen/qwen-audio-3.0-tts-plus", "nativeProvenance": { "input_facts_canonical_sha256": "e2221a30c36cd1e6ba97fb9b9166a99e713ef3e078bb73574f22ae4daef96a73", "input_html_sha256": "ff08cad125a0120d385873d8b2a0ea2eae9c24fc0703b7df93dea437098f2ed9", "private_audit_sha256": "53ce8c1c68052231720a839285e3a43a6f8bac7687c822d51187c855e4fa5545", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/th/qwen-qwen-audio-3-0-tts-plus/", "description": "Qwen-Audio-3.0-TTS-Plus เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่เน้นเสียงละเอียด เป็นธรรมชาติ และมีอารมณ์สำหรับการบรรยาย หนังสือเสียง และการพากย์ รองรับเสียงสำเร็จรูปหรือเสียงโคลนที่ใช้กับโมเดลนี้โดยเฉพาะ ผลลัพธ์แบบสตรีม และคำสั่งหรือแท็กเพื่อกำหนดการถ่ายทอดเสียง", "locale": "th", "md_url": "https://ailoot.ai/models/th/qwen-qwen-audio-3-0-tts-plus/index.md", "title": "Qwen: Qwen-Audio-3.0-TTS Plus — Ailoot", "url": "https://ailoot.ai/models/th/qwen-qwen-audio-3-0-tts-plus/" }, "rawModel": { "about": "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\n\nPlus เป็นรุ่นที่เน้นคุณภาพในตระกูลแปลงข้อความเป็นเสียงพูดนี้ ส่วน Flash วางตำแหน่งแยกสำหรับการโต้ตอบแบบเรียลไทม์ เตรียมคำบรรยายเป็นบทพูด โดยระบุผู้ฟัง จังหวะ และทิศทางอารมณ์ สำหรับข้อความหนังสือเสียง คำอธิบายงานตัวอย่างอาจขอการออกเสียงชัด จังหวะพอดี และความอบอุ่นที่พอประมาณ สำหรับเสียงบรรยายวิดีโอ อาจขอเปิดอย่างจริงจังแล้วตามด้วยคำอธิบายที่มีพลังมากขึ้น สิ่งเหล่านี้เป็นตัวเลือกในการถ่ายทอดคำที่ให้มา โมเดลเป็นเครื่องสังเคราะห์เสียงพูด ไม่ใช่บริการถอดเสียงหรือเครื่องสร้างฉากภาพทั้งหมด\n\nเสียงระบบอย่างเป็นทางการของ 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\n\nโมเดลรองรับการโคลนเสียงจากตัวอย่าง 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\n\nเสียงอ้างอิงที่เหมาะกับการโคลนคือเสียงพูดชัดที่ความเร็วปกติ 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\n\nคำสั่งภาษาธรรมชาติสามารถกำหนดน้ำเสียง จังหวะ อารมณ์ และลักษณะเสียงของทั้งเสียงระบบและเสียงโคลน ใช้คำอธิบายสิ่งที่ได้ยินอย่างเฉพาะเจาะจงแทนคำขอเสียงดีแบบคลุมเครือ แท็กอารมณ์ในข้อความกำหนดสไตล์ภายในบทได้ และแท็กการแสดงออกทางเสียงแทรกเอฟเฟกต์เสียงที่จุดที่เลือกได้ ตัวอย่างเช่น [serious] เปลี่ยนการถ่ายทอดส่วนถัดไป ส่วน [sighing] แทรกเสียงถอนหายใจโดยไม่เปลี่ยนสไตล์อารมณ์รอบข้าง แท็กควบคุมมีผลจนถึงแท็กควบคุมถัดไปหรือการแบ่งประโยคอัตโนมัติ ฟีเจอร์แท็กนี้ระบุไว้สำหรับสตรีมทิศทางเดียวเท่านั้น จึงมีขอบเขตต่างจากคำสั่งที่ใช้กับข้อมูลเข้าข้อความแบบสองทิศทาง\n\nตัวเลือกผลลัพธ์ของผู้พัฒนาคือ 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\n\nขั้นตอนรับข้อความผ่าน WebSocket ที่ระบุในเอกสารอนุญาต 20,000 อักขระต่อข้อความ และสะสมรวม 200,000 อักขระ โดยกำหนดช่วงระหว่างการส่งไม่เกิน 23 วินาที รับบททั้งหมดหรือส่วนข้อความตามลำดับได้ และจบเมื่อป้อนข้อมูลครบ ผู้พัฒนายังระบุการยกเลิกรอบสังเคราะห์ปัจจุบัน สิ่งเหล่านี้เป็นข้อจำกัดและพฤติกรรมของโปรโตคอลนั้น ไม่ใช่เพดานความยาวเสียงที่สร้างซึ่งใช้ได้ทุกกรณี สำหรับคำบรรยายยาว ให้จัดบทเป็นส่วนที่สอดคล้องกันและเก็บลำดับกับข้อความควบคู่เสียงที่ได้ เพื่อประกอบและตรวจงานอย่างสม่ำเสมอ\n\nด้านการออกเสียง ผู้พัฒนามีคำบอกภาษาเป้าหมาย คำกำกับพินอิน และการแทนข้อความ เพื่อแก้ไขการอ่านตัวเลข ตัวย่อ สัญลักษณ์ หรือคำในแบบที่ไม่ต้องการ SSML เป็นโหมดมาร์กอัปแยกที่มีเงื่อนไขการใช้งาน เอกสาร Qwen รองรับกับเสียงโคลนในการเรียกแบบไม่สตรีมหรือสตรีมทิศทางเดียว โดยส่งข้อความได้เพียงครั้งเดียวเมื่อเปิดโหมดนี้ ไม่ได้ระบุว่า SSML ใช้ได้กับเสียงระบบทุกเสียงหรือสตรีมสองทิศทาง ขั้นตอนใช้งาน Plus ที่เหมาะสมเริ่มด้วยเสียงที่เข้ากันได้และบทที่เสร็จแล้ว จากนั้นเพิ่มตัวเลือกการถ่ายทอดและการออกเสียงที่แม่นยำสำหรับข้อความที่บรรยาย", "alias_of": null, "aliases": [], "author": "Alibaba", "available": null, "canonical_model": "qwen/qwen-audio-3.0-tts-plus", "capabilities": { "context_length": 0, "manufacturer_input": [ "text" ], "manufacturer_output": [ "speech" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.04000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00004", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ], "summary": "ดูราคาตามการกำหนดค่าแบบครบถ้วนในรายละเอียด" } ], "ctx": null, "entity_type": "model", "formats": [ "speech" ], "id": "qwen/qwen-audio-3.0-tts-plus", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete binary result and headers. If JSON/multiple outputs are returned, retain every data item and fetch each actual signed asset URL.", "errors": [ { "code": null, "condition": "ฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง", "http_status": 400, "recovery": "แก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่", "type": "invalid_request_error" }, { "code": null, "condition": "การตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์", "http_status": null, "recovery": "เก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ" }, "material_combinations": [ { "content_type": "application/json", "mode": "text_to_speech", "required": [ "input" ] } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "text_to_speech" ], "outputs": { "all_results": "เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง", "family": "audio", "fields": [ { "description": null, "name": "binary audio", "type": "bytes" }, { "description": null, "name": "response headers", "type": "headers" } ], "format": "mp3", "http_success": 200 }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen-audio-3.0-tts-plus" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "limit_known": false, "maximum_length": null, "min_length": 1, "name": "input", "required": true, "type": "string", "unit": "อักขระ Unicode" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "longanlingxin", "longanlufeng" ], "enum_known": true, "name": "voice", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mp3" ], "enum_known": true, "name": "response_format", "required": true, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "every field outside exactmodel,input,voice,response_format", "stream/speed/reference speech options" ] }, "hints": [ "เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้", "อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ" ], "input": { "content_type": "application/json", "input": "ข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน", "material_types": [ "text" ], "max_input_characters": null, "other_options": false, "required": [ "model", "input", "voice", "response_format" ], "response_format": [ "mp3" ], "voice_ids": [ "longanlingxin", "longanlufeng" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "operation_modes": [ "text_to_speech" ], "output": { "family": "audio", "format": "mp3", "http_success": 200, "response": "full binary MP3 plus response headers", "result": "complete playable owned MP3" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.04000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00004", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "f97459395132c904c87d", "label": "Qwen: Qwen-Audio-3.0-TTS Plus", "profiles": [ { "basis": "", "dimensions": { "conditions": "การตั้งค่าเริ่มต้น" }, "label": "Qwen: Qwen-Audio-3.0-TTS Plus · การตั้งค่าเริ่มต้น", "units": [ { "amount": "0.00004", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "c9d83494b95201f9ee8ab13d", "label": "Input characters", "public_unit_label": "per input character", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_character" } ] } ] } ], "examples": [ { "code": "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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${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 $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${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 $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${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\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "hints": [ "Select exact voice from this model profile.", "Input characters and audio seconds are different meters." ], "http": "POST", "in": null, "input": [ "text" ], "label": "Озвучка текста", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": 4e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.04000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00004", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "request_model_id": "qwen/qwen-audio-3.0-tts-plus", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.04000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00004", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "qwen/qwen-audio-3.0-tts-plus", "request_model_id": "qwen/qwen-audio-3.0-tts-plus", "route_label": "Ultra" } ], "name": "Qwen: Qwen-Audio-3.0-TTS Plus", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "pricing_profiles": [ { "applicability": { "client_selectable": false, "native_profile_selection_pending": true, "scope": "manufacturer_reference" }, "dimensions": { "Model ID": "qwen-audio-3.0-tts-plus", "Service deployment scope": "International", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-plus" }, "label": "Ultra", "units": [ { "amount": "0.00004", "amount_unit": "usd_per_input_character", "conditions": { "Model ID": "qwen-audio-3.0-tts-plus", "Service deployment scope": "International", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-plus" }, "key": "input_character", "label": "input character", "profile_index": 0, "quantity": "1", "rate_role": "binding_component_rate", "side": "in", "unit": "input_character" } ] }, { "applicability": { "client_selectable": false, "native_profile_selection_pending": true, "scope": "manufacturer_reference" }, "dimensions": { "Model ID": "qwen-audio-3.0-tts-plus", "Service deployment scope": "Mainland China", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-plus" }, "label": "Ultra", "units": [ { "amount": "0.000038506", "amount_unit": "usd_per_input_character", "conditions": { "Model ID": "qwen-audio-3.0-tts-plus", "Service deployment scope": "Mainland China", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-plus" }, "key": "input_character", "label": "input character", "profile_index": 1, "quantity": "1", "rate_role": "binding_component_rate", "side": "in", "unit": "input_character" } ] } ], "public_id": "qwen/qwen-audio-3.0-tts-plus", "short": "Qwen-Audio-3.0-TTS-Plus เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่เน้นเสียงละเอียด เป็นธรรมชาติ และมีอารมณ์สำหรับการบรรยาย หนังสือเสียง และการพากย์ รองรับเสียงสำเร็จรูปหรือเสียงโคลนที่ใช้กับโมเดลนี้โดยเฉพาะ ผลลัพธ์แบบสตรีม และคำสั่งหรือแท็กเพื่อกำหนดการถ่ายทอดเสียง" }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Qwen-Audio-3.0-TTS-Plus เป็นโมเดลแปลงข้อความเป็นเสียงพูดของ Qwen ที่เน้นเสียงละเอียด เป็นธรรมชาติ และมีอารมณ์สำหรับการบรรยาย หนังสือเสียง และการพากย์ รองรับเสียงสำเร็จรูปหรือเสียงโคลนที่ใช้กับโมเดลนี้โดยเฉพาะ ผลลัพธ์แบบสตรีม และคำสั่งหรือแท็กเพื่อกำหนดการถ่ายทอดเสียง", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "b5090ce0b4b0e3d441d16854d28d7f088c7ac097a88756ecefd872e846ad5dfc", "renderer_sha256": "890edb706fafafdd4f598bb324acf65fada58918b0911b97eb80e68be2ef65d9" }, "sourceRevision": "94d0f4c46f9a0ca14771eec138e8fd5171a80f7a51e04a898fc4e71d7ce5f024" }