Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash — tezkor javob beruvchi ovozli yordamchilar va interaktiv muloqotga yo‘naltirilgan Qwen matnni nutqqa aylantirish modeli. U oqimli sintezni, modelga xos tayyor yoki klonlangan ovozlarni hamda ifodali nutq uchun ko‘rsatma yoki teglarni birlashtiradi.

Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech qwen/qwen-audio-3.0-tts-flash

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

Qwen-Audio-3.0-TTS-Flash taqdim etilgan matnni nutqqa aylantiradi; Flash nashri real vaqtdagi o‘zaro aloqaga yo‘naltirilgan. Qwen ovozli yordamchilar, interaktiv muloqot va mijozlarga aqlli xizmat ko‘rsatishni uning asosiy qo‘llanish yo‘nalishlari deb ko‘rsatadi. Ishlab chiqaruvchi oldingi versiyaga nisbatan kam resursli tillar va xitoy lahjalari kengroq qo‘llab-quvvatlanishi, lahjalarning tabiiyroq ifodalanishi hamda hissiyot, ohang, xarakter, tezlik, ovoz balandligi va gapirish uslubi ustidan kuchliroq nazoratni tavsiflaydi. Shuningdek, shovqinli yoki aks-sadoli akustik sharoitlarda aniqlik va barqarorlik yaxshilanganini bildiradi. Bu matndan audio sintezidir, kiruvchi nutqni tanish yoki ovozli muloqot modeli emas.

Flash interaktiv almashinuvda nutqning boshlanishiga ustuvorlik beradi. Qwen ushbu modelning real vaqt sintezida birinchi paket kechikishi 200 millisekunddan oshmasligini bildiradi; foydalanish qo‘llanmasida dastlabki ulanishni o‘rnatish birinchi yuborishdagi o‘lchangan kechikishga hissa qo‘shishi ham qayd etilgan. Aytilishi kerak bo‘lgan so‘zlarni ularning qanday ijro etilishidan alohida tayyorlang. Ovozli yordamchi javobi uchun namunaviy topshiriq ixcham javobni sokin va ravshan talaffuz ko‘rsatmasi bilan birlashtirishi mumkin. Tegishli natija — shu matn uchun yaratilgan nutq; uni ijro etish va atrofidagi suhbatni ilova boshqaradi.

Ishlab chiqaruvchining tizim ovozlari ro‘yxatida tabiiy va samimiy ijro uchun Long An Feng Yue hamda samimiy va jonli ijro uchun Long An Xiao Xin kabi modelga xos variantlar bor; ikkalasi ham mandarin va ingliz tillari uchun ko‘rsatilgan. Unda Britaniya aksentidagi loongmary va sokin, samimiy Amerika aksentidagi loongjohn kabi ingliz ovozlari ham mavjud. Har bir model yana 500 dan ortiq asosiy ovozga ega. Qwen izchillik uchun tizim ovozlaridan boshlashni, asosiy ovoz tanlashda esa oldindan eshitish namunalarini baholashni tavsiya qiladi. Ovoz tanlangan modelga tegishli bo‘lishi, matn esa shu ovoz qo‘llaydigan tilda yozilishi kerak.

Klonlangan ovozlar hujjatlashtirilgan tillar doirasini xitoy, ingliz, yapon, koreys, rus, fransuz, nemis, portugal, tay, indonez, vyetnam, ispan, italyan, malay, filippin va arab tillarigacha kengaytiradi. Xitoy tili doirasiga mandarin, kanton, Chongqing, shimoli-sharqiy, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanxay, Sichuan va Yunnan lahjalari kiradi; lahja ko‘rsatmalar orqali tanlanadi. Model jadvali ovozni namunadan klonlashni qo‘llab-quvvatlaydi va buni faqat matnli tavsifdan yangi ovoz yaratishdan ajratadi; ushbu nashr ikkinchi usulni qo‘llamaydi.

Klonlash uchun ishlab chiqaruvchi 10–20 soniyali yozuvni tavsiya qiladi; eng ko‘p davomiylik 60 soniya, fayl hajmi esa 10 MB dan oshmasligi kerak. Namuna uchun 16 bitli WAV, MP3 va M4A formatlari qo‘llanadi; diskretlash chastotasi kamida 16 kHz bo‘lishi kerak. Yozuvda kamida besh soniya uzluksiz, ravshan nutq bo‘lishi lozim; boshqa pauzalar ikki soniyadan oshmasligi kerak. Fon tovushlari, boshqa ovozlar va kuylashdan saqlaning. Stereo qabul qilinadi, ammo faqat birinchi kanal qayta ishlanadi. Klonlash jarayoni aniq maqsadli modelga bog‘langan ovoz identifikatorini qaytaradi va ovoz tayyor bo‘lgach, sintez shu identifikatordan foydalanadi. Bir yozuv uchun Flash va Plus’da alohida klonlangan ovozlar talab etiladi.

Tabiiy tildagi ko‘rsatmalar tizim ovozlari va klonlangan ovozlarning ijrosini boshqaradi. Muloyim ohang, ravshan talaffuz yoki biroz sekinroq sur’at kabi eshitiladigan sifatlarni tavsiflang. Matn ichidagi teglar boshqaruvning boshqa turini beradi: [empathetic] yoki [serious] keyingi matn uchun uslubni belgilaydi, [laughing] yoki [sighing] esa muayyan joyga ovozli effekt qo‘shadi. Boshqaruv tegi boshqa boshqaruv tegi kelguncha yoki matn avtomatik ravishda gaplarga ajratilguncha amal qiladi. Bu hissiyot va boy ifoda teglari ikki yo‘nalishli matn kiritish rejimi uchun emas, faqat bir yo‘nalishli oqim uchun hujjatlashtirilgan. Ifodali jumlani shu boshqaruvlarga mos rejimda tayyorlang.

Ishlab chiqaruvchining nutq interfeysi PCM, WAV, MP3 va Opus’ni qo‘llaydi. Ko‘rsatilgan diskretlash chastotalari 8 000, 16 000, 22 050, 24 000, 44 100 va 48 000 Hz; standart qiymatlar — MP3 va 22 050 Hz. Ovoz balandligi 0 dan 100 gacha; nutq tezligi va ton balandligi esa har biri 0.5 dan 2.0 gacha bo‘ladi. MP3 va Opus uchun 6 dan 510 kbps gacha bitreyt sozlamasi ham mavjud. Format va diskretlash chastotasini mo‘ljallangan ijro dasturi yoki qayta ishlash jarayoniga mos tanlang. Interaktiv ilova uchun ishlab chiqaruvchi oqimli audio freymlari va gap metama’lumotlarini hujjatlashtiradi; mos ovozlar, jumladan klonlangan ovozlar uchun oqimli chiqishda so‘z darajasidagi vaqt belgilari mavjud.

Hujjatlashtirilgan WebSocket matn protokoli bir matn xabarida 20 000 tagacha belgini va bitta vazifa davomida jami 200 000 tagacha belgini qabul qiladi; yuborishlar orasidagi vaqt 23 soniyadan oshmasligi kerak. Bular ishlab chiqaruvchi protokolining cheklovlari bo‘lib, model chiqishining umumiy davomiylik chegarasidan alohida. Protokol joriy sintez navbatini bekor qilish va shu ulanishda keyingi vazifani boshlashni qo‘llaydi. Matn bo‘laklarini aytilishi kerak bo‘lgan tartibda saqlang va matn tugagach, kiritishni yakunlang. Talaffuzga tayyorgarlik uchun ishlab chiqaruvchi maqsadli til ko‘rsatmalari, pinyin izohlari va matn almashtirishlarini hujjatlashtiradi; ular raqamlar, qisqartmalar yoki belgilar kutilmaganda boshqacha aytilsa foydali.

SSML — ovoz va o‘zaro aloqa rejimiga oid shartlari bor alohida belgilash imkoniyati: Qwen uni klonlangan ovozlar uchun, oqimsiz yoki bir yo‘nalishli oqimli chaqiruvlarda va SSML yoqilganda matnni bir marta yuborish bilan hujjatlashtiradi. Uni har bir tayyor ovoz yoki ikki yo‘nalishli oqim uchun mavjud deb hisoblamaslik kerak. Oddiy muloqot uchun mos ovoz, aytishga tayyor toza matn va aniq ijro ko‘rsatmasidan boshlang; vazifa talab qilgan joylarda maqsadli talaffuz yoki ifoda boshqaruvlarini qo‘shing. Shu tariqa Flash profili boshqa Qwen audio modellari imkoniyatlariga emas, tayyorlangan matndan tezkor nutq hosil qilishga yo‘naltirilgan bo‘lib qoladi.

Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech qwen/qwen-audio-3.0-tts-flash

qwen/qwen-audio-3.0-tts-flash

Alibaba /qwen/qwen-audio-3.0-tts-flash

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Matn
Natijalar: Audio

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech

Kirish: text
Chiqish: audio
Chiqish formati: mp3

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar qwen/qwen-audio-3.0-tts-flash	Standart—
Maydon`input`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar Eng kam uzunlik: 1 Birlik: Unicode belgilari	Standart—
Maydon`voice`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar loongjohn, longanhuan_v3.6	Standart—
Maydon`response_format`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar mp3	Standart—

Kirish materiallari birikmalari

text_to_speech · Majburiy: input

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input, voice, response_format
Parametr`voice_ids`	Parametr talablariloongjohn, longanhuan_v3.6
Parametr`response_format`	Parametr talablarimp3
Parametr`max_input_characters`	Parametr talablarinull
Parametr`other_options`	Parametr talablarifalse
Parametr`input`	Parametr talablariaynan UTF-8 matni; normallashtirmasdan Unicode belgilarini sanash
Parametr`material_types`	Parametr talablaritext

Hayot sikli: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Shu model profilidan aniq ovozni tanlang.

Kirish belgilari va audio soniyalari — turli hisoblash birliklari.

Tariflar

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim: Ko‘rsatilmagan Tezkor rejim tanlanganda
Flex rejimi: Ko‘rsatilmagan flex rejimi tanlanganda
Maksimal fikrlash darajasi: Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Ailoot tariflari

Sozlamalar bo‘yicha narxlar

Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.

Sozlama	Tariflar jadvali	To‘lanadigan miqdor	Hisob birligi	To‘lov
SozlamaTokenlar uchun bazaviy tariflar	Tariflar jadvaliAsosiy tarif	To‘lanadigan miqdor—	Hisob birligi—	To‘lov Kirish · Kirish tokenlari — / 1K token Chiqish · Chiqish tokenlari — / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token
SozlamaUltra	Tariflar jadvali—	To‘lanadigan miqdorHar bir Unicode kod nuqtasi, jumladan Han belgilari, bitta belgi hisoblanadi.	Hisob birligi1K kirish belgisi uchun	To‘lov Kirish · Kirish belgisi $0.03 1K kirish belgisi uchun

Ma’lumot uchun tarif tafsilotlari

Modelning ma’lumot jadvallari usul tanlash, narx hisobi yoki to‘lovlarni o‘zgartirmaydi. Amaldagi to‘lovlar tanlangan Ailoot usuli tariflari bo‘yicha hisoblanadi.

Qwen: Qwen-Audio-3.0-TTS Flash

Sozlamalar bo‘yicha narxlar

Sozlama	To‘lovni hisoblash shartlari	To‘lov
SozlamaQwen: Qwen-Audio-3.0-TTS Flash · Standart sozlama	To‘lovni hisoblash shartlariStandart konfiguratsiya	To‘lov Kirish · Kirish belgilari 0,00003 US$ kirish belgisi uchun

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Ovozlashtirish

curl

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

Natijalarni olish va saqlash

Ailoot Ultra · Ovozlashtirish

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Boshqa kontentni o‘qish

Media kutubxonasiVazifa holatiMaterial tafsilotlari

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

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

To‘liq ikkilik natija va sarlavhalarni saqlang. JSON yoki bir nechta natija qaytarilsa, har bir ma’lumot elementini saqlang va qaytarilgan har bir haqiqiy imzolangan resurs URL manzilidan faylni yuklab oling.

Asl javobni tekshirish kerak bo‘lsa

Ma’lumotlarni solishtirib tekshirish uchun dastlabki operation_id/X-Client-Request-ID ni saqlang va so‘rovni qayta yubormang; audio holatini davriy tekshirish uchun alohida yo‘nalish yo‘q.

Javob maydonlari

Maydon	Tur
Maydon`binary audio`	Turbytes
Maydon`response headers`	Turheaders

Xatolar va keyingi qadamlar

Javob	Shart	Keyingi qadam
Javob400 · `invalid_request_error`	ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri	Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating.
Javob`server_error`	ShartQaytarilgan javob operatsiya yoki natijani tekshirish kerakligini bildiradi	Keyingi qadamDastlab qaytarilgan operatsiya/vazifa ID sini, so‘rov sarlavhalarini va javobni saqlang; aynan shu operatsiya uchun qo‘llab-quvvatlanadigan o‘qish so‘rovlarini davom ettiring. Yaratish so‘rovini qayta yubormang.

Taxalluslar

Model taxalluslari

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

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

qwen/qwen-audio-3.0-tts-flash

FAQ · Qwen: Qwen-Audio-3.0-TTS Flash

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/speech · qwen/qwen-audio-3.0-tts-flash: text → audio
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/speech · qwen/qwen-audio-3.0-tts-flash: model, input, voice, response_format

Qwen: Qwen-Audio-3.0-TTS Flash