كوين أوديو 3.1 TTS متوفر على EmpirioLabs. إنه نموذج توليف الكلام في الوقت الحقيقي من علي بابا، مع 19 صوتا، وتوصية توجهها بلغة بسيطة، وعلامات داخلية تغير المشاعر أو تضيف صوتا في منتصف الجملة. يعيد ملف صوتي مكتمل من خلال ما بعد /v1/audio/speech أو يبث الصوت أثناء تولده من خلاله ما بعد /v1/audio/speech:stream، في واجهة برمجة التطبيقات وفي Playground، وعبر واجهة برمجة التطبيقات في الوقت الحقيقي يتحدث النص أثناء كتابة النص.
شاهد فيلم الإطلاق
كل صوت في الفيلم هو مخرج حقيقي من Qwen Audio 3.1 TTS: براين أخرج بلغة بسيطة كروي إعلان، ثم سيندي، آفا، وآندي مع علامات حماسية وهمسة وضحك. الصور هي مخرجات كوين إيميج 2.1، والموسيقى التصويرية تم إنتاجها بواسطة ACE-Step على EmpirioLabs. شاهدها على يوتيوب.
الأصوات واللغات
أصوات إنجليزية. خمسة عشر صوتا يتحدثون الإنجليزية. إميلي، لونا، إريك، ولوكا لديهم لهجات بريطانية. آبي، آني، آفا، بيث، بيتي، كالي، سيندي، دونا، آندي، بريان، وديفيد لديهم لهجات أمريكية.
أصوات متعددة اللغات. longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1، و xunanchuan_v3.1 اقرأ الصينية والإنجليزية ولغات أخرى.
تلميحات لغة. بالنسبة للنص الذي يمزج اللغات، language_hints يأخذ مجموعة من رموز اللغة، مثل ["en"، "zh"]، لتوجيه النطق. يدعم ستة عشر رمزا، منها en, zh, نعم, كو, fr, de, es، و AR.
طلبك الأول
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "التفويض: حامل $EMPIRIOLABS_API_KEY" \ -H "CONTENT-TYPE: application/json" \ -D '{ "MODEL": "qwen-audio-3-1-tts", "INPUT": "[متحمس] وصلنا إلى موعد الإطلاق! [ يضحك] شكرا لكم جميعا على الليالي المتأخرة.", "voice": "Ava_v3.1", "تعليمات": "دافئ ومبهج، مثل قائد فريق يشارك الأخبار السارة", "response_format": "mp3", "sample_rate": 24000 }'تحمل الاستجابة عنوان URL إلى الصوت المولد. الإخراج هو MP3، WAV، PCM، أو Opus عند 8,000 إلى 48,000 هرتز. السرعة, الزاوية, الحجم، و البذور قابلة للتعديل، النطق و استبدال إصلاح الأسماء، والاختصارات، وأسماء العلامات التجارية، و enable_markdown_filter يمنع تنسيق الحروف من أن تقرأ بصوت عال.
توجيه التسليم
- التعليم.
التعليميحدد المشاعر، والنغمة، والشخصية، والإيقاع، وأسلوب التحدث طوال المقطع، حتى 1000 حرف. - بطاقات التسليم. وسم مثل
[متحمس],[همس],[جدي]، أو[ببطء شديد]يغير طريقة التسليم من نقطة ظهوره. - علامات الصوت. وسم مثل
[ضحك],[تنهد],[شهقة]، أو[يسعل]يضيف صوتا لمرة واحدة. القائمة الكاملة للوسوم موجودة علىالمدخلاتالمعامل في مرجع واجهة برمجة التطبيقات (API).
البث المباشر
ما بعد /v1/audio/speech:stream يأخذ نفس الجسم ويعيد الأحداث المرسلة من الخادم. كل audio.chunk يحمل الحدث جزءا صوتيا من base64 audio_b64، بالتنسيق المطلوب ومعدل العينة. النهائي audio.done يحمل الحدث عنوان URL للملف الكامل، ومدته، واستخدامه، يليه [تم].
الوقت الحقيقي: تحدث النص أثناء كتابته
عبر واجهة برمجة التطبيقات الفورية، يتحدث Qwen Audio 3.1 TTS نصا أثناء وصول النص، على سبيل المثال رد نموذج لغوي أثناء البث. افتح WebSocket إلى WSS://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts مع مفتاح واجهة برمجة التطبيقات الخاص بك في التفويض الرأس، أرسل النص مع input_text_buffer.append في قطع بأي حجم، وشغل الصوت من كل قطعة response.audio.delta حدث.
{"type": "session.update", "session": {"voice": "Ava_v3.1", "تعليمات": "دافئ، مثل مقدم راديو في وقت متأخر من الليل"}} {"type": "input_text_buffer.append", "text": "مساء الخير، "} {"type": "input_text_buffer.append", "text": "ومرحبا بكم في النسخة المتأخرة."} {"type": "session.finish"}- أرسل رسالة نصية.
input_text_buffer.commitيقول كل ما أرسل حتى الآن.session.finishيتحدث الباقي وينهي الجلسة بالجلسة.انتهى. - الصوت والإعدادات. الصوت هو PCM 16-بت عند 24,000 هرتز بشكل افتراضي.
session.updateيضبط الصوت، والتعليم، والتنسيق (PCM,mp3، أوالعمل الكبير)، ومعدل العينة، وإعدادات الكلام الأخرى، بدءا من الجزء التالي. - فقرات. ينطق النص في مقاطع تنتهي عند حدود الجمل، ويختتم كل جزء ب
الرد. تمحدث يحمل استخدامه. ينتهي المقطع أيضا بعد 8 ثوان بدون نص جديد. - صفحات الويب. يتصل المتصفح بسر عميل قصير العمر من
ما بعد /v1/realtime/client_secrets، لذا يبقى مفتاح API الخاص بك على الخادم.
ال دليل الوقت الحقيقي لديه عميل بايثون كامل ومرجع الحدث.
ملاحظات تشغيلية
- كل معرف صوتي ينتهي ب
_v3.1. اسم بسيط مثلإميلي، أو معرف صوتي Qwen Audio 3.0 TTS، يرفض مع قائمة ال 19 معرفا الصالحا. الاستخدامEmily_v3.1. - SSML غير مدعوم. أرسل نصا عاديا. استخدم
التعليمللتسليم العام والوسوم المضمنة للتغييرات داخل النص. - حتى 10,000 حرف لكل طلب. قسم السكريبتات الأطول بين عدة طلبات.
التسعير
فوترة رمزية. أوراق QWEN Audio 3.0 TTS لكل حرف؛ رموز Quwen Audio 3.1 TTS الخاصة ب QWEN Audio 3.1. يتم احتساب النص الذي ترسله كرموز إدخال، والصوت الناتج كرموز إخراج بمعدل 12.5 رمز في الثانية من الصوت، وتقوم جلسة الوقت الحقيقي بفوترة كل مقطع بنفس الطريقة. ال السرعة و الزاوية الإعدادات تغير طول الصوت ولكن لا تغير الرموز المفوترة، بينما التعليمات التي تبطئ التسليم تضيف رموز إخراج. المعدلات الحالية على صفحة النماذج و صفحة الأسعار.
ابدأ البناء
جرب Qwen Audio 3.1 TTS في الملعب، حيث يكون مختارة الصوت وكل معلمة هي عناصر تحكم حية، واقرأ توثيق واجهة برمجة التطبيقات للمرجع الكامل للمعلمات.
إفصاح: كتب هذا المقال بمساعدة الذكاء الاصطناعي وتمت مراجعته من قبل EmpirioLabs AI.
