Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus là mô hình chuyển văn bản thành giọng nói của Qwen, tập trung vào âm thanh chi tiết, tự nhiên và giàu biểu cảm cho thuyết minh, sách nói và lồng tiếng. Mô hình hỗ trợ giọng đặt sẵn hoặc giọng nhân bản dành riêng cho phiên bản, đầu ra truyền trực tuyến, cùng chỉ dẫn hoặc thẻ để định hình cách thể hiện.

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

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-Plus chuyển văn bản viết thành lời nói giàu biểu cảm, với phiên bản Plus tập trung vào chất lượng tổng hợp, độ tự nhiên và cách thể hiện giọng chi tiết. Qwen nêu các ứng dụng chính là sáng tạo nội dung, sách nói, lồng tiếng phim và video, cùng sản xuất giọng nói chuyên nghiệp. Hồ sơ cập nhật của mô hình mô tả hỗ trợ rộng hơn cho ngôn ngữ ít tài nguyên và phương ngữ Trung Quốc, tăng tính chân thực của phương ngữ và kiểm soát mạnh hơn đối với cảm xúc, sắc thái, tính cách, tốc độ nói, âm lượng và phong cách. Nhà phát triển cũng công bố cải thiện độ rõ, độ phân giải và độ ổn định trong điều kiện âm học có nhiễu hoặc tiếng vang.

Plus là phiên bản tập trung vào chất lượng của họ chuyển văn bản thành giọng nói này; Flash được định vị riêng cho tương tác thời gian thực. Chuẩn bị lời thuyết minh dưới dạng kịch bản để đọc, xác định đối tượng nghe, nhịp độ và hướng cảm xúc. Với đoạn sách nói, yêu cầu minh họa có thể dùng phát âm rõ, nhịp vừa phải và sự ấm áp tiết chế; với thuyết minh video, có thể yêu cầu mở đầu nghiêm túc rồi giải thích năng động hơn. Đây là lựa chọn cách thể hiện những lời đã cung cấp. Mô hình tổng hợp giọng nói, không phải dịch vụ chép lời hay công cụ tạo một cảnh thị giác hoàn chỉnh.

Các giọng hệ thống chính thức cho Plus gồm Long An Ling Xin, được mô tả là ấm áp và đồng cảm, cùng Long An Lu Feng, được mô tả là tươi sáng và vui vẻ. Cả hai được liệt kê cho tiếng Quan thoại và tiếng Anh. Nhà phát triển cũng cung cấp hơn 500 giọng nền cho phiên bản này, có bản nghe thử để đánh giá trước khi chọn. Nhà phát triển khuyến nghị giọng hệ thống để tổng hợp nhất quán hơn. Chọn giọng trong danh sách Plus cụ thể và khớp ngôn ngữ kịch bản với các ngôn ngữ mà giọng đó hỗ trợ; giọng Flash không thể thay thế chỉ vì thuộc cùng họ rộng hơn.

Mô hình hỗ trợ nhân bản giọng từ mẫu. Các ngôn ngữ giọng nhân bản được công bố gồm tiếng Trung, Anh, Nhật, Hàn, Nga, Pháp, Đức, Bồ Đào Nha, Thái, Indonesia, Việt, Tây Ban Nha, Ý, Mã Lai, Filipino và Ả Rập. Các biến thể tiếng Trung gồm Quan thoại, Quảng Đông, 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, với phương ngữ được điều khiển bằng chỉ dẫn. Bảng mô hình của nhà phát triển phân biệt nhân bản với tạo giọng từ mô tả văn bản: Plus hỗ trợ nhân bản, còn chế độ thiết kế giọng riêng đó không được hỗ trợ.

Mẫu tham chiếu phù hợp để nhân bản là lời nói rõ ở tốc độ bình thường, không có nhạc, tiếng ồn nền, người nói chồng lấn hay tiếng hát. Nhà phát triển khuyến nghị 10–20 giây và cho phép tối đa 60 giây, trong tệp không lớn hơn 10 MB. Định dạng tham chiếu là WAV 16-bit, MP3 và M4A, với tần số lấy mẫu tối thiểu 16 kHz. Cần ít nhất năm giây lời nói rõ liên tục, và các khoảng ngừng còn lại không nên dài hơn hai giây. Với âm thanh stereo, chỉ kênh đầu tiên được xử lý. Mã định danh giọng được tạo gắn với Plus và được dùng để tổng hợp khi sẵn sàng; để tái tạo cùng mẫu tham chiếu qua Flash phải tạo riêng một giọng Flash.

Chỉ dẫn bằng ngôn ngữ tự nhiên có thể định hình sắc thái, nhịp độ, cảm xúc và âm sắc của cả giọng hệ thống lẫn giọng nhân bản. Dùng mô tả âm thanh cụ thể thay vì yêu cầu mơ hồ về một giọng hay. Thẻ cảm xúc nội tuyến có thể đặt phong cách trong kịch bản, còn thẻ biểu đạt có thể chèn hiệu ứng giọng ở vị trí đã chọn. Ví dụ, [serious] thay đổi cách thể hiện phần sau, còn [sighing] chèn tiếng thở dài mà không thay đổi phong cách cảm xúc xung quanh. Thẻ điều khiển có hiệu lực đến thẻ điều khiển tiếp theo hoặc khi tự động phân đoạn câu. Tính năng dùng thẻ này chỉ được công bố cho truyền trực tuyến một chiều, nên có phạm vi khác với chỉ dẫn dùng khi nhập văn bản hai chiều.

Các lựa chọn đầu ra của nhà phát triển là PCM, WAV, MP3 và Opus, với tần số lấy mẫu được liệt kê là 8.000, 16.000, 22.050, 24.000, 44.100 và 48.000 Hz. MP3 và 22.050 Hz là mặc định được công bố. Âm lượng có thể đặt từ 0 đến 100, tốc độ và cao độ từ 0,5 đến 2,0; MP3 và Opus còn cho phép bitrate từ 6 đến 510 kbps. Chọn dạng biểu diễn cần cho phát lại hoặc biên tập, rồi giữ các thiết lập nhất quán giữa các phần của tác phẩm dài. Đầu ra truyền trực tuyến gồm khung âm thanh và siêu dữ liệu câu, với dấu thời gian từng từ cho các giọng đủ điều kiện, bao gồm giọng nhân bản.

Luồng nhập văn bản WebSocket được công bố cho phép 20.000 ký tự mỗi thông điệp và tổng cộng 200.000 ký tự, đồng thời yêu cầu khoảng thời gian giữa các lần gửi không lớn hơn 23 giây. Luồng có thể nhận toàn bộ kịch bản hoặc các đoạn văn bản theo thứ tự và kết thúc khi nhập xong. Nhà phát triển cũng công bố việc hủy lượt tổng hợp hiện tại. Đây là các giới hạn và hành vi của giao thức đó, không phải giới hạn thời lượng tạo âm thanh áp dụng chung. Với lời thuyết minh dài, tổ chức kịch bản thành các phần mạch lạc và giữ thứ tự cùng văn bản bên cạnh âm thanh tạo ra để lắp ghép và rà soát nhất quán.

Về phát âm, nhà phát triển cung cấp gợi ý ngôn ngữ đích, chú thích pinyin và thay thế văn bản để xử lý cách đọc không mong muốn của chữ số, chữ viết tắt, ký hiệu hoặc từ. SSML là chế độ đánh dấu riêng có ràng buộc về điều kiện sử dụng: tài liệu Qwen hỗ trợ cho giọng nhân bản trong lời gọi không truyền trực tuyến hoặc truyền trực tuyến một chiều, và chỉ một lần gửi văn bản khi bật. Tài liệu không xác lập SSML cho mọi giọng hệ thống hay cho truyền trực tuyến hai chiều. Quy trình Plus thực tế bắt đầu với giọng tương thích và kịch bản hoàn chỉnh, sau đó thêm lựa chọn thể hiện và phát âm chính xác cho đoạn được đọc.

Ailoot Ultra · Tổng hợp giọng nói 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

Bắt đầu

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-plus	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 longanlingxin, longanlufeng	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 đồnglonganlingxin, longanlufeng
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 $0.04 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 Plus

Giá theo cấu hình

Cấu hình	Điều kiện tính phí	Phí
Cấu hìnhQwen: Qwen-Audio-3.0-TTS Plus · Cấu hình mặc định	Điều kiện tính phíCấu hình mặc định	Phí Đầu vào · Ký tự đầu vào 0,00004 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 →

Ví dụ yêu cầu

Ailoot Ultra · Tổng hợp giọng nói

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

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

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

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-plus

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-plus

FAQ · Qwen: Qwen-Audio-3.0-TTS Plus

Có những đầu vào và kết quả nào?: POST /v1/audio/speech · qwen/qwen-audio-3.0-tts-plus: text → audio
Yêu cầu sử dụng những trường nào?: POST /v1/audio/speech · qwen/qwen-audio-3.0-tts-plus: model, input, voice, response_format

Qwen: Qwen-Audio-3.0-TTS Plus