Qwen: Qwen-Audio-3.0-TTS Flash
Qwen-Audio-3.0-TTS-Flash 是 Qwen 的文字轉語音模型，著重於反應迅速的語音助理與互動對話。它結合串流合成、各模型專用的預設或複製音色，以及用來產生富有表現力語音的指令或標籤。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Qwen-Audio-3.0-TTS-Flash 將提供的文稿轉換成語音，Flash 版本著重於即時互動。Qwen 將語音助理、互動對話與智慧客服列為主要應用。相較於前一版本，開發團隊表示它擴大了對低資源語言與中文方言的支援，方言表達更自然，並加強了對情緒、語氣、角色特徵、語速、音量與說話風格的控制。團隊也表示，在嘈雜或有殘響的聲學環境中，清晰度與穩健性有所提升。這是文字轉音訊合成模型，並非用來辨識輸入語音或進行語音對話的模型。
Flash 優先考量互動交流中開始發聲的速度。Qwen 表示，這個模型的即時合成首個音訊封包延遲在 200 毫秒內；使用指南也指出，初次建立連線的時間會計入第一次提交所量測到的延遲。請將實際要說出的文字與期望的表達方式分開準備。例如，語音助理的回覆需求可以搭配簡潔的回答，以及要求平穩、清楚表達的指令。所需結果是根據該文字產生的語音，播放與前後對話則由應用程式處理。
開發團隊的系統音色清單包含各模型專用的選項，例如表達自然、親切的 Long An Feng Yue，以及表達親切、活潑的 Long An Xiao Xin，兩者都列為支援華語與英語。清單也包含英語音色，例如帶英式口音的 loongmary，以及採用平穩、親切美式口音的 loongjohn。此外，每個模型都有超過 500 種基礎音色。Qwen 建議先使用系統音色以維持一致性，選擇基礎音色時則先試聽預覽。音色必須屬於所選模型，文稿也必須使用該音色支援的語言。
複製音色將文件記載的語言範圍擴展至中文、英語、日語、韓語、俄語、法語、德語、葡萄牙語、泰語、印尼語、越南語、西班牙語、義大利語、馬來語、菲律賓語與阿拉伯語。中文涵蓋華語、粵語、重慶話、東北話，以及甘肅、貴州、浙江、河北、河南、湖北、湖南、江西、寧波、寧夏、青島、陝西、山西、山東、上海、四川與雲南等地的方言，可透過指令選擇方言。模型表列出從聲音樣本複製音色的支援情況，並將其與僅憑文字描述建立新音色區分開來；這個版本不支援後者。
進行聲音複製時，開發團隊建議提供 10–20 秒的錄音，最長 60 秒，檔案大小不得超過 10 MB。支援的參考格式為 16 位元 WAV、MP3 與 M4A，取樣率至少為 16 kHz。錄音必須包含至少五秒連續且清楚的說話聲；其他停頓不得超過兩秒。請避免背景聲、其他人的聲音與歌唱。可接受立體聲，但只處理第一個聲道。複製流程會傳回綁定至指定目標模型的音色識別碼，音色準備完成後，合成時就使用該識別碼。同一份錄音若要用於 Flash 與 Plus，必須分別建立複製音色。
自然語言指令可以控制系統音色與複製音色的表達方式。請描述可聽見的特質，例如溫柔的語氣、清楚的咬字或稍慢的語速。行內標籤提供另一種控制方式：[empathetic] 或 [serious] 為後續文字設定風格，[laughing] 或 [sighing] 則在指定位置加入聲音效果。控制標籤會持續生效，直到遇到另一個控制標籤或自動斷句。這些情緒與豐富語音表達標籤只記載為支援單向串流，不適用於雙向文字輸入模式。請使用適合這些控制功能的模式，準備需要富有表現力的語句。
開發團隊的語音介面支援 PCM、WAV、MP3 與 Opus。列出的取樣率為 8,000、16,000、22,050、24,000、44,100 與 48,000 Hz，預設格式為 MP3，預設取樣率為 22,050 Hz。音量範圍為 0 至 100；語速與音高的範圍各為 0.5 至 2.0。MP3 與 Opus 另提供 6 至 510 kbps 的位元率設定。請依預定的播放器或處理流程選擇格式與取樣率。對於互動應用程式，開發團隊記載了串流音訊影格與句子中繼資料；支援的音色可在串流輸出中提供詞層級時間戳記，其中也包括複製音色。
文件記載的 WebSocket 文字協定允許單則文字訊息最多 20,000 個字元，單一任務累計最多 200,000 個字元，兩次提交的間隔不得超過 23 秒。這些是開發團隊協定的限制，並非模型通用的輸出音訊時長上限。協定支援取消目前這一輪的合成，並在同一連線上執行後續任務。請按預定朗讀順序保留文字片段，文稿完整送出後就結束輸入。為了準備發音，開發團隊也記載了目標語言提示、拼音標註與文字替換功能，適合用來處理數字、縮寫或符號發音不如預期的情況。
SSML 是獨立的標記選項，使用時有音色與互動模式條件：Qwen 記載它適用於複製音色，採用非串流或單向串流呼叫，且啟用 SSML 時只能提交一次文字。請勿假設每種預設音色或雙向串流都支援 SSML。一般對話應先選擇相容的音色，準備清楚的朗讀文稿與具體的表達指令；再依任務需要加入針對性的發音或表現力控制。這能讓 Flash 的使用重點維持在從準備好的文字產生反應迅速的語音，而非套用其他 Qwen 音訊模型的能力。
Ailoot Ultra · 語音合成 POST /v1/audio/speech qwen/qwen-audio-3.0-tts-flash
qwen/qwen-audio-3.0-tts-flash入門
Qwen-Audio-3.0-TTS-Flash 是 Qwen 的文字轉語音模型，著重於反應迅速的語音助理與互動對話。它結合串流合成、各模型專用的預設或複製音色，以及用來產生富有表現力語音的指令或標籤。
- 接受的輸入
- 文字
- 結果
- 音訊
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音合成 POST /v1/audio/speech
- 輸入
text- 輸出
audio- 輸出格式
- mp3
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 qwen/qwen-audio-3.0-tts-flash | 預設值— |
欄位input | 類型string | 要求必填 | 值與限制 長度下限: 1 單位: Unicode 字元 | 預設值— |
欄位voice | 類型string | 要求必填 | 值與限制 loongjohn, longanhuan_v3.6 | 預設值— |
欄位response_format | 類型string | 要求必填 | 值與限制 mp3 | 預設值— |
輸入素材組合
text_to_speech · 必填： input
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input, voice, response_format |
參數voice_ids | 規格loongjohn, longanhuan_v3.6 |
參數response_format | 規格mp3 |
參數max_input_characters | 規格null |
參數other_options | 規格false |
參數input | 規格完全相符的 UTF-8 文字；不經正規化的 Unicode 字元計數 |
參數material_types | 規格text |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
請從此模型設定檔中選擇完全相符的語音。
輸入字元數與音訊秒數是不同的計量方式。
方案
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
Ailoot 費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 應計費數量 | 計費單位 | 費用 |
|---|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 應計費數量— | 計費單位— | 費用 輸入 · 輸入 Token — / 1K Token 輸出 · 輸出 Token — / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定Ultra | 費率表— | 應計費數量每個 Unicode 碼位均計為一個字元，漢字亦同。 | 計費單位每 1K 個輸入字元 | 費用 輸入 · 輸入字元 $0.03 每 1K 個輸入字元 |
參考費率詳情
模型層級的參考費率表不會變更方法選擇、報價或費用。實際計費採用所選 Ailoot 方法的費率。
Qwen: Qwen-Audio-3.0-TTS Flash
各設定的價格
| 設定 | 計費條件 | 費用 |
|---|---|---|
| 設定Qwen: Qwen-Audio-3.0-TTS Flash · 預設設定 | 計費條件預設設定 | 費用 輸入 · 輸入字元數 US$0.00003 每個輸入字元 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音合成
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
接收並儲存結果
Ailoot Ultra · 語音合成
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
其他內容讀取方式
set -eu
: "${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
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留完整的二進位結果與標頭。若回傳 JSON 或多個輸出，請保留所有資料項目，並透過每個實際回傳的已簽署資產 URL 取得內容。
需要檢查原始回應時
保留原始 operation_id/X-Client-Request-ID 以供核對，請勿重新提交；沒有專用的音訊輪詢路由。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位binary audio | 類型bytes |
欄位response headers | 類型headers |
錯誤與後續步驟
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
回應server_error | 條件回傳的回應表示該作業或結果需要檢查 | 下一步保留原始回傳的作業／任務 ID、請求標頭與回應；繼續以支援的方式讀取該原始作業。請勿重新提交建立請求。 |
別名
模型別名
Ailoot Ultra qwen/qwen-audio-3.0-tts-flash
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · Qwen: Qwen-Audio-3.0-TTS Flash
- 可以使用哪些輸入與結果？
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-flash:text→audio- 請求使用哪些欄位？
POST /v1/audio/speech·qwen/qwen-audio-3.0-tts-flash:model,input,voice,response_format