Source: https://ailoot.ai/models/vi/qwen-qwen-audio-3-0-tts-flash/
Canonical: https://ailoot.ai/models/vi/qwen-qwen-audio-3-0-tts-flash/
Language: vi

# Qwen: Qwen-Audio-3.0-TTS Flash

[Markdown](https://ailoot.ai/models/vi/qwen-qwen-audio-3-0-tts-flash/index.md) · [JSON](https://ailoot.ai/models/vi/qwen-qwen-audio-3-0-tts-flash/facts.json)

## [Qwen: Qwen-Audio-3.0-TTS Flash](https://ailoot.ai/models/vi/qwen-qwen-audio-3-0-tts-flash/)

Qwen-Audio-3.0-TTS-Flash là mô hình chuyển văn bản thành giọng nói của Qwen, tập trung vào trợ lý giọng nói phản hồi nhanh và hội thoại tương tác. Mô hình kết hợp tổng hợp giọng nói dạng luồng, các giọng có sẵn hoặc được nhân bản dành riêng cho mô hình, cùng chỉ dẫn hoặc thẻ để tạo giọng nói giàu biểu cảm.

- [**Ailoot Ultra · Tổng hợp giọng nói** `POST /v1/audio/speech` `qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/vi/qwen-qwen-audio-3-0-tts-flash/#method-0)

Về mô hình

Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.

Qwen-Audio-3.0-TTS-Flash chuyển kịch bản được cung cấp thành giọng nói, với phiên bản Flash tập trung vào tương tác thời gian thực. Qwen xác định trợ lý giọng nói, hội thoại tương tác và dịch vụ khách hàng thông minh là các ứng dụng chính. So với phiên bản trước, nhà sản xuất mô tả khả năng hỗ trợ rộng hơn cho các ngôn ngữ ít tài nguyên và phương ngữ Trung Quốc, cách thể hiện phương ngữ chân thực hơn, cùng khả năng kiểm soát tốt hơn về cảm xúc, sắc thái, đặc tính giọng, tốc độ, âm lượng và phong cách nói. Nhà sản xuất cũng cho biết độ rõ và tính ổn định được cải thiện trong điều kiện âm học có tiếng ồn hoặc tiếng vang. Đây là tổng hợp âm thanh từ văn bản, không phải nhận dạng lời nói đầu vào hay mô hình hội thoại bằng giọng nói.

Flash ưu tiên thời điểm bắt đầu phát giọng nói trong một lượt trao đổi tương tác. Qwen công bố độ trễ gói đầu tiên không quá 200 mili giây cho tính năng tổng hợp thời gian thực của mô hình này; hướng dẫn sử dụng cũng lưu ý rằng việc thiết lập kết nối ban đầu góp phần vào độ trễ đo được của lần gửi đầu tiên. Chuẩn bị riêng nội dung cần đọc và cách thể hiện mong muốn. Với câu trả lời của trợ lý giọng nói, một yêu cầu minh họa có thể kết hợp câu trả lời ngắn gọn với chỉ dẫn đọc bình tĩnh, rõ ràng. Kết quả cần dùng là giọng nói được tạo cho văn bản đó, còn ứng dụng đảm nhiệm việc phát âm thanh và phần hội thoại bao quanh.

Danh sách giọng hệ thống của nhà sản xuất có các lựa chọn riêng cho mô hình, chẳng hạn Long An Feng Yue với cách nói tự nhiên, thân thiện và Long An Xiao Xin với cách nói thân thiện, sinh động; cả hai đều được liệt kê cho tiếng Phổ thông và tiếng Anh. Danh sách còn có các giọng tiếng Anh như loongmary mang giọng Anh và loongjohn mang giọng Mỹ bình tĩnh, thân thiện. Mỗi mô hình còn có hơn 500 giọng cơ sở. Qwen khuyến nghị bắt đầu bằng giọng hệ thống để có tính nhất quán và nghe các bản xem trước khi chọn giọng cơ sở. Giọng phải thuộc mô hình đã chọn và kịch bản phải sử dụng ngôn ngữ mà giọng đó hỗ trợ.

Các giọng nhân bản mở rộng phạm vi ngôn ngữ được nêu trong tài liệu sang tiếng Trung, Anh, Nhật, Hàn, Nga, Pháp, Đức, Bồ Đào Nha, Thái, Indonesia, Việt, Tây Ban Nha, Ý, Mã Lai, Filipino và Ả Rập. Phạm vi tiếng Trung gồm tiếng Phổ thông, Quảng Đông cùng các biến thể Trùng Khánh, Đông Bắc, Cam Túc, Quý Châu, Chiết Giang, Hà Bắc, Hà Nam, Hồ Bắc, Hồ Nam, Giang Tây, Ninh Ba, Ninh Hạ, Thanh Đảo, Thiểm Tây, Sơn Tây, Sơn Đông, Thượng Hải, Tứ Xuyên và Vân Nam; phương ngữ được chọn thông qua chỉ dẫn. Bảng thông tin mô hình hỗ trợ nhân bản giọng từ mẫu và phân biệt tính năng này với việc tạo giọng mới chỉ từ mô tả bằng văn bản, vốn không được phiên bản này hỗ trợ.

Để nhân bản giọng, nhà sản xuất khuyến nghị bản ghi dài 10–20 giây, tối đa 60 giây và dung lượng tệp không quá 10 MB. Các định dạng mẫu được hỗ trợ là WAV 16 bit, MP3 và M4A, với tần số lấy mẫu ít nhất 16 kHz. Bản ghi cần có ít nhất năm giây lời nói liên tục, rõ ràng; các khoảng dừng khác không nên dài quá hai giây. Tránh tiếng nền, giọng của người khác và tiếng hát. Âm thanh stereo được chấp nhận nhưng chỉ kênh đầu tiên được xử lý. Quy trình nhân bản trả về mã định danh giọng gắn với đúng mô hình đích, và quá trình tổng hợp sử dụng mã đó khi giọng đã sẵn sàng. Cùng một bản ghi cần tạo các giọng nhân bản riêng cho Flash và Plus.

Chỉ dẫn bằng ngôn ngữ tự nhiên điều khiển cách nói của cả giọng hệ thống lẫn giọng nhân bản. Mô tả những đặc điểm nghe được như sắc thái nhẹ nhàng, phát âm rõ hoặc nhịp nói chậm hơn một chút. Các thẻ chèn trong văn bản cung cấp một cách điều khiển khác: \[empathetic\] hoặc \[serious\] đặt phong cách cho phần văn bản tiếp theo, còn \[laughing\] hoặc \[sighing\] chèn hiệu ứng giọng tại một vị trí cụ thể. Một thẻ điều khiển có hiệu lực cho đến khi xuất hiện thẻ điều khiển khác hoặc khi hệ thống tự động phân đoạn câu. Các thẻ cảm xúc và biểu đạt này chỉ được nêu trong tài liệu cho chế độ truyền luồng một chiều, không phải chế độ nhập văn bản hai chiều. Chuẩn bị câu cần biểu đạt trong chế độ phù hợp với các điều khiển đó.

Giao diện giọng nói của nhà sản xuất hỗ trợ PCM, WAV, MP3 và Opus. Các tần số lấy mẫu được liệt kê là 8.000, 16.000, 22.050, 24.000, 44.100 và 48.000 Hz, với MP3 và 22.050 Hz là giá trị mặc định. Âm lượng có phạm vi từ 0 đến 100; tốc độ nói và cao độ đều có phạm vi từ 0,5 đến 2,0. MP3 và Opus còn có thiết lập tốc độ bit từ 6 đến 510 kbps. Chọn định dạng và tần số lấy mẫu phù hợp với trình phát hoặc quy trình xử lý dự kiến. Với ứng dụng tương tác, nhà sản xuất mô tả trong tài liệu các khung âm thanh dạng luồng và siêu dữ liệu câu; dấu thời gian ở cấp từ có trong đầu ra dạng luồng cho các giọng đủ điều kiện, bao gồm giọng nhân bản.

Giao thức văn bản WebSocket được nêu trong tài liệu chấp nhận tối đa 20.000 ký tự trong một thông điệp văn bản và tổng cộng 200.000 ký tự trong một tác vụ, với khoảng cách giữa các lần gửi không quá 23 giây. Đây là giới hạn giao thức của nhà sản xuất, không phải giới hạn phổ quát về thời lượng đầu ra của mô hình. Giao thức hỗ trợ hủy lượt tổng hợp hiện tại và bắt đầu tác vụ tiếp theo trên cùng kết nối. Giữ các đoạn văn bản đúng thứ tự cần đọc và kết thúc đầu vào khi kịch bản đã hoàn tất. Để chuẩn bị phát âm, nhà sản xuất mô tả trong tài liệu gợi ý ngôn ngữ đích, chú thích pinyin và thay thế văn bản, hữu ích khi chữ số, từ viết tắt hoặc ký hiệu được đọc không như mong muốn.

SSML là một lựa chọn đánh dấu riêng với điều kiện về giọng và chế độ tương tác: Qwen nêu trong tài liệu lựa chọn này cho giọng nhân bản, với lời gọi không truyền luồng hoặc truyền luồng một chiều, và chỉ một lần gửi văn bản khi SSML được bật. Không nên mặc định rằng mọi giọng có sẵn hoặc luồng hai chiều đều hỗ trợ SSML. Với hội thoại thông thường, hãy bắt đầu bằng giọng tương thích, kịch bản lời nói rõ ràng và chỉ dẫn cụ thể về cách thể hiện; bổ sung điều khiển phát âm hoặc biểu cảm có mục tiêu khi tác vụ yêu cầu. Cách này giữ hồ sơ Flash tập trung vào giọng nói phản hồi nhanh từ văn bản đã chuẩn bị thay vì các khả năng của những mô hình âm thanh Qwen khác.

**Ailoot Ultra · Tổng hợp giọng nói** `POST /v1/audio/speech` `qwen/qwen-audio-3.0-tts-flash`

[`qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/vi/#m=qwen%2Fqwen-audio-3.0-tts-flash&route=Ultra&caller=qwen%2Fqwen-audio-3.0-tts-flash&fmt=speech)

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

### Bắt đầu

Qwen-Audio-3.0-TTS-Flash là mô hình chuyển văn bản thành giọng nói của Qwen, tập trung vào trợ lý giọng nói phản hồi nhanh và hội thoại tương tác. Mô hình kết hợp tổng hợp giọng nói dạng luồng, các giọng có sẵn hoặc được nhân bản dành riêng cho mô hình, cùng chỉ dẫn hoặc thẻ để tạo giọng nói giàu biểu cảm.

Đầu vào được chấp nhận

Văn bản

Kết quả

Âm thanh

### Có trên Ailoot · đầu vào & phương thức

**Ailoot Ultra · Tổng hợp giọng nói** `POST /v1/audio/speech`

Đầu vào

`text`

Đầu ra

`audio`

Định dạng đầu ra

mp3

| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
| --- | --- | --- | --- | --- |
| Trường`model` | Loại`string` | Yêu cầuBắt buộc | Giá trị & giới hạn qwen/qwen-audio-3.0-tts-flash | Mặc định— |
| Trường`input` | Loại`string` | Yêu cầuBắt buộc | Giá trị & giới hạn Độ dài tối thiểu: 1 Đơn vị: ký tự Unicode | Mặc định— |
| Trường`voice` | Loại`string` | Yêu cầuBắt buộc | Giá trị & giới hạn loongjohn, longanhuan\_v3.6 | Mặc định— |
| Trường`response_format` | Loại`string` | Yêu cầuBắt buộc | Giá trị & giới hạn mp3 | Mặc định— |

Tổ hợp tư liệu đầu vào

**text\_to\_speech** · Bắt buộc: input

Tham số phương thức và vòng đời

| Tham số | Hợp đồng |
| --- | --- |
| Tham số`content_type` | Hợp đồngapplication/json |
| Tham số`required` | Hợp đồngmodel, input, voice, response\_format |
| Tham số`voice_ids` | Hợp đồngloongjohn, longanhuan\_v3.6 |
| Tham số`response_format` | Hợp đồngmp3 |
| Tham số`max_input_characters` | Hợp đồngnull |
| Tham số`other_options` | Hợp đồngfalse |
| Tham số`input` | Hợp đồngvăn bản UTF-8 nguyên dạng; đếm ký tự Unicode mà không chuẩn hóa |
| Tham số`material_types` | Hợp đồngtext |

Vòng đời: `synchronous_result_then_owned_library`

`GET /v1/media/tasks/{task_id}` · Giá trị task\_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện

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

`GET /v1/media/assets`

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

Chọn giọng nói chính xác từ hồ sơ mô hình này.

Ký tự đầu vào và giây âm thanh là các đơn vị đo tính phí khác nhau.

### Bảng giá

Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.

Chế độ nhanh

Chưa chỉ định Khi chọn chế độ nhanh

Chế độ Flex

Chưa chỉ định Khi chọn chế độ flex

Mức độ suy luận tối đa

Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa

#### Mức phí Ailoot

#### Giá theo cấu hình

Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.

| Cấu hình | Biểu mức phí | Lượng tính phí | Đơn vị tính phí | Phí |
| --- | --- | --- | --- | --- |
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Lượng tính phí— | Đơn vị tính phí— | Phí Đầu vào · Token đầu vào **—** / 1K token Đầu ra · Token đầu ra **—** / 1K token Đầu vào · Đọc bộ nhớ đệm **—** / 1K token Đầu vào · Ghi bộ nhớ đệm **—** / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ **—** / 1K token |
| Cấu hìnhUltra | Biểu mức phí— | Lượng tính phíMỗi điểm mã Unicode được tính là một ký tự, bao gồm ký tự Hán (Han). | Đơn vị tính phímỗi 1K ký tự đầu vào | Phí Đầu vào · Ký tự đầu vào **$0.03** mỗi 1K ký tự đầu vào |

#### Chi tiết giá cước tham chiếu

Biểu tham chiếu cấp mô hình không thay đổi việc chọn phương thức, báo giá hoặc khoản phí. Khoản phí đang áp dụng dùng mức phí phương thức Ailoot đã chọn.

Qwen: Qwen-Audio-3.0-TTS Flash

#### Giá theo cấu hình

| Cấu hình | Điều kiện tính phí | Phí |
| --- | --- | --- |
| Cấu hìnhQwen: Qwen-Audio-3.0-TTS Flash · Cấu hình mặc định | Điều kiện tính phíCấu hình mặc định | Phí Đầu vào · Ký tự đầu vào **0,00003 US$** mỗi ký tự đầu vào |

Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. [Cách hoạt động của cơ chế tạm giữ và quyết toán →](https://ailoot.ai/docs/vi/billing/reserve/)

### Ví dụ yêu cầu

#### Ailoot Ultra · Tổng hợp giọng nói

curl

```bash
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
```

### Nhận và lưu kết quả

#### Ailoot Ultra · Tổng hợp giọng nói

mp3

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

Lượt đọc nội dung khác

Thư viện phương tiệnTrạng thái tác vụChi tiết tài nguyên

```bash
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
```

```bash
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
```

```bash
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
```

##### Lưu tất cả kết quả đã hoàn tất

Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.

Giữ lại toàn bộ kết quả nhị phân và các header. Nếu phản hồi ở dạng JSON hoặc chứa nhiều đầu ra, giữ lại mọi phần tử dữ liệu và tải từng tài nguyên từ URL có chữ ký thực tế.

##### Nếu cần kiểm tra phản hồi gốc

Giữ lại operation\_id/X-Client-Request-ID gốc để đối soát mà không gửi lại yêu cầu; không có tuyến truy vấn trạng thái riêng cho âm thanh.

Trường phản hồi

| Trường | Loại |
| --- | --- |
| Trường`binary audio` | Loạibytes |
| Trường`response headers` | Loạiheaders |

Lỗi và bước tiếp theo

| Phản hồi | Điều kiện | Bước tiếp theo |
| --- | --- | --- |
| Phản hồi400 · `invalid_request_error` | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
| Phản hồi`server_error` | Điều kiệnPhản hồi trả về cho biết thao tác hoặc kết quả cần được kiểm tra | Bước tiếp theoGiữ lại ID thao tác/tác vụ gốc đã trả về, các header của yêu cầu và toàn bộ phản hồi; tiếp tục truy xuất thao tác gốc đó bằng các phương thức được hỗ trợ. Không gửi lại yêu cầu tạo. |

### Bí danh

#### Bí danh mô hình

**Ailoot Ultra** [`qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/vi/#m=qwen%2Fqwen-audio-3.0-tts-flash&route=Ultra&caller=qwen%2Fqwen-audio-3.0-tts-flash&fmt=speech)

#### Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

#### ID gọi liên quan

[`qwen/qwen-audio-3.0-tts-flash`](https://ailoot.ai/models/vi/#m=qwen%2Fqwen-audio-3.0-tts-flash&route=Ultra&caller=qwen%2Fqwen-audio-3.0-tts-flash&fmt=speech)

FAQ · Qwen: Qwen-Audio-3.0-TTS Flash

Có những đầu vào và kết quả nào?

`POST /v1/audio/speech` · `qwen/qwen-audio-3.0-tts-flash`: `text` → `audio`

Yêu cầu sử dụng những trường nào?

`POST /v1/audio/speech` · `qwen/qwen-audio-3.0-tts-flash`: `model`, `input`, `voice`, `response_format`

Kết nối Ailoot với Claude Code, OpenCode, Hermes hoặc ứng dụng của bạn.

## Công ty và danh mục dự án của công ty

Công ty và danh mục dự án của công ty: hàng triệu khách hàng; doanh số hàng tỷ mỗi tháng.

## Mua token với giá ưu đãi.

Ưu đãi thuê bao cho nhu cầu thường xuyên. Mã khuyến mãi giảm đến 50% khi mua token.

Thuê bao

Chọn gói ưu đãi cho các yêu cầu thường xuyên của bạn.

Mã giảm đến 50%

Nhập mã khi mua. Giá được tính lại theo chương trình đang áp dụng.

Chi phí trong lịch sử

Mô hình, token và số tiền được lưu cho mỗi yêu cầu.

[Chọn gói thuê bao](https://ailoot.ai/docs/vi/billing/subscriptions/) · [Xem giá mô hình](https://ailoot.ai/models/vi/)

## Kết nối API vào sản phẩm bạn đang bán.

SaaS, ứng dụng và bot — theo đề nghị giao kết chính thức và thỏa thuận cấp phép Ailoot. Muốn bán lại, hãy yêu cầu giấy phép bán lại.

Ứng dụng thương mại

Tích hợp tạo văn bản, ảnh, video và âm thanh vào các tính năng trả phí của dịch vụ.

Giấy phép bán lại

Gửi mô tả dự án và cách cung cấp quyền truy cập. Yêu cầu điều khoản sử dụng và bán lại bằng văn bản.

Tài liệu trên website

Đề nghị giao kết, thỏa thuận cấp phép và chính sách xử lý dữ liệu có sẵn trước khi kết nối.

[Yêu cầu giấy phép bán lại](mailto:support@ailoot.ai) · [Đề nghị giao kết và thỏa thuận cấp phép](https://ailoot.ai/legal/offer?lang=vi)

## Ailoot · Công ty và danh mục dự án của công ty





Ailoot dựa trên kinh nghiệm vận hành tích lũy, cơ sở khách hàng lớn, dịch vụ ổn định và việc kiểm soát KPI liên tục.





Công ty và danh mục dự án của công ty: hàng triệu khách hàng; doanh số hàng tỷ mỗi tháng.





Ailoot áp dụng kinh nghiệm vận hành này để cung cấp quyền truy cập API vào các tính năng AI trong sản phẩm của khách hàng, tác tử, ứng dụng và quy trình tự động hóa.