Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus — Qwen’ning hikoya o‘qish, audiokitob va dublyaj uchun batafsil, tabiiy va ifodali audioga yo‘naltirilgan matndan nutq yaratish modeli. U aynan shu modelga tegishli tayyor yoki klonlangan ovozlar, oqimli chiqish hamda ijroni boshqaradigan yo‘riqnomalar yoki teglarni qo‘llab-quvvatlaydi.

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

Model haqida

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

Qwen-Audio-3.0-TTS-Plus yozma matnni ifodali nutqqa aylantiradi; Plus versiyasi sintez sifati, tabiiylik va ovoz ijrosining tafsilotlariga e’tibor qaratadi. Qwen asosiy qo‘llanishlar sifatida kontent yaratish, audiokitoblar, film va video dublyaji hamda professional nutq ishlab chiqarishni ko‘rsatadi. Modelning yangilangan profili kam resursli tillar va xitoy lahjalarini kengroq qo‘llab-quvvatlash, lahjalarning haqiqiyligini yaxshilash hamda hissiyot, ohang, xarakter, nutq tezligi, ovoz balandligi va uslubni kuchliroq boshqarishni bayon qiladi. Ishlab chiqaruvchi shovqinli yoki aks-sadoli akustik sharoitda aniqlik, ajrata olish darajasi va barqarorlik yaxshilanganini ham bildiradi.

Plus ushbu matndan nutq yaratish oilasining sifatga yo‘naltirilgan versiyasi; Flash esa real vaqtdagi muloqot uchun alohida yo‘naltirilgan. O‘qiladigan matnni auditoriya, sur’at va hissiy yo‘nalishi belgilangan nutq ssenariysi sifatida tayyorlang. Audiokitob parchasi uchun misol topshirig‘i ravon talaffuz, vazmin sur’at va me’yoridagi iliqlikni so‘rashi; video ovozli izohi uchun esa jiddiy boshlanishdan keyin serg‘ayratroq tushuntirishni talab qilishi mumkin. Bular berilgan so‘zlarning ijro tanlovlaridir. Model transkripsiya xizmati yoki to‘liq vizual sahna yaratuvchisi emas, nutq sintezatoridir.

Plus’ning rasmiy tizim ovozlari orasida iliq va hamdard deb tasvirlangan Long An Ling Xin hamda yorqin va quvnoq deb tasvirlangan Long An Lu Feng bor. Ikkalasi ham mandarin va ingliz tillari uchun ro‘yxatga kiritilgan. Ishlab chiqaruvchi bu versiya uchun 500 dan ortiq bazaviy ovozni ham beradi; tanlashdan oldin baholash uchun tinglash namunalari mavjud. Barqarorroq sintez uchun tizim ovozlari tavsiya qilinadi. Ovozning aynan Plus ro‘yxatidan tanlanganini va ssenariy tili uning qo‘llab-quvvatlanadigan tillariga mosligini tekshiring; Flash ovozi faqat bir keng oilaga tegishli bo‘lgani uchun almashtirib ishlatilmaydi.

Model namuna asosida ovoz klonlashni qo‘llab-quvvatlaydi. Hujjatlashtirilgan klonlangan ovoz tillari xitoy, ingliz, yapon, koreys, rus, fransuz, nemis, portugal, tay, indonez, vetnam, ispan, italyan, malay, filipin va arab tillarini o‘z ichiga oladi. Xitoy variantlari mandarin, kanton, Chongqing, shimoli-sharqiy, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanxay, Sichuan va Yunnan lahjalaridir; lahjalar yo‘riqnomalar bilan boshqariladi. Ishlab chiqaruvchining model jadvali klonlashni matn tavsifidan ovoz yaratishdan ajratadi: Plus klonlashni qo‘llab-quvvatlaydi, lekin alohida ovoz loyihalash rejimini qo‘llab-quvvatlamaydi.

Klonlash uchun mos namuna — odatiy tezlikdagi tiniq nutq; unda musiqa, fon shovqini, bir-birini bosadigan so‘zlovchilar yoki qo‘shiq bo‘lmasin. Ishlab chiqaruvchi 10–20 soniyani tavsiya etadi va 10 MB dan katta bo‘lmagan faylda 60 soniyagacha ruxsat beradi. Namuna formatlari 16-bit WAV, MP3 va M4A, minimal namunalash chastotasi 16 kHz. Kamida besh soniya uzluksiz tiniq nutq talab qilinadi, qolgan sukutlarning ikki soniyadan uzun bo‘lmasligi tavsiya etiladi. Stereo uchun faqat birinchi kanal ishlanadi. Yaratilgan ovoz identifikatori Plus’ga bog‘lanadi va tayyor bo‘lganda sintezda ishlatiladi; shu namunani Flash orqali takrorlash alohida yaratilgan Flash ovozini talab qiladi.

Tabiiy tildagi yo‘riqnomalar tizim va klonlangan ovozlarning ohangi, sur’ati, hissiyoti va tembrini boshqarishi mumkin. Yaxshi ovoz haqidagi mavhum so‘rov o‘rniga aniq eshitiladigan tavsiflardan foydalaning. Matn ichidagi hissiyot teglari ssenariyda uslubni belgilashi, boy ifodali nutq teglari esa tanlangan nuqtada ovoz effektini qo‘shishi mumkin. Masalan, [serious] keyingi ijroni o‘zgartiradi, [sighing] esa atrofdagi hissiy uslubni o‘zgartirmasdan xo‘rsinish qo‘shadi. Boshqaruv teglari keyingi boshqaruv tegi yoki avtomatik gaplarga ajratishgacha amal qiladi. Ushbu tegga asoslangan imkoniyat faqat bir yo‘nalishli oqim uchun hujjatlashtirilgan, shu sababli uning doirasi ikki yo‘nalishli matn kirishida ishlatiladigan yo‘riqnomalardan farq qiladi.

Ishlab chiqaruvchining chiqish variantlari PCM, WAV, MP3 va Opus bo‘lib, ko‘rsatilgan namunalash chastotalari 8 000, 16 000, 22 050, 24 000, 44 100 va 48 000 Hz. MP3 va 22 050 Hz hujjatlashtirilgan standart sozlamalardir. Ovoz balandligi 0 dan 100 gacha, tezlik va balandlik toni 0,5 dan 2,0 gacha sozlanadi; MP3 va Opus uchun 6 dan 510 kbps gacha bitreyt ham mavjud. Tinglash yoki tahrirlash uchun kerakli ko‘rinishni tanlab, uzun asarning bo‘limlari bo‘ylab shu sozlamalarni bir xil saqlang. Oqimli chiqishda audio kadrlar va gap metama’lumotlari bor; mos ovozlar, jumladan klonlangan ovozlar uchun so‘z vaqt belgilari mavjud.

Hujjatlashtirilgan WebSocket matn kiritish oqimi har xabarda 20 000 belgi va jami 200 000 belgiga ruxsat beradi, yuborish oralig‘i esa 23 soniyadan oshmasligi talab qilinadi. U to‘liq ssenariy yoki tartiblangan matn bo‘laklarini qabul qilib, kirish tugaganda yakunlanishi mumkin. Ishlab chiqaruvchi joriy sintez navbatini bekor qilishni ham hujjatlashtiradi. Bular shu protokolning chegaralari va xatti-harakatlari, yaratilgan audio davomiyligining umumiy chegarasi emas. Uzun hikoya uchun ssenariyni mantiqiy bo‘limlarga ajrating, ularning tartibi va matnini natijaviy audio bilan birga saqlang; shunda asar izchil yig‘iladi va ko‘rib chiqiladi.

Talaffuz uchun ishlab chiqaruvchi raqamlar, qisqartmalar, belgilar yoki so‘zlarning nomaqbul o‘qilishini tuzatish maqsadida maqsad tilga ishoralar, pinyin izohlari va matn almashtirishlarni beradi. SSML — foydalanish shartlari cheklangan alohida belgilash rejimi: Qwen hujjatlari uni klonlangan ovozlar uchun oqimsiz yoki bir yo‘nalishli oqimli chaqiruvlarda, yoqilganda faqat bitta matn yuborish bilan qo‘llab-quvvatlaydi. Bu SSML barcha tizim ovozlari yoki ikki yo‘nalishli oqim uchun mavjudligini belgilamaydi. Amaliy Plus jarayoni mos ovoz va tayyor ssenariydan boshlanib, keyin o‘qilayotgan parchaga aniq ijro va talaffuz tanlovlarini qo‘shadi.

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

qwen/qwen-audio-3.0-tts-plus

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

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-plus	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 longanlingxin, longanlufeng	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 talablarilonganlingxin, longanlufeng
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 $0.04 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 Plus

Sozlamalar bo‘yicha narxlar

Sozlama	To‘lovni hisoblash shartlari	To‘lov
SozlamaQwen: Qwen-Audio-3.0-TTS Plus · Standart sozlama	To‘lovni hisoblash shartlariStandart konfiguratsiya	To‘lov Kirish · Kirish belgilari 0,00004 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-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

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-plus

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

qwen/qwen-audio-3.0-tts-plus

FAQ · Qwen: Qwen-Audio-3.0-TTS Plus

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

Qwen: Qwen-Audio-3.0-TTS Plus