Qwen Audio 3.1 TTS Next متوفر على EmpirioLabs. إنه نموذج توليد الصوت من علي بابا. وصف المشهد بلغة بسيطة، بما في ذلك من يتحدث، ماذا يقول، كيف يسمع، وما يمكن سماعه حوله، ويعيد ملف صوتي مكتمل يحتوي على السرد، والحوار، والمؤثرات الصوتية، والأجواء، والموسيقى معا. يستمر المشهد ما بعد /v1/audio/speech، في واجهة برمجة التطبيقات وفي Playground.
شاهد فيلم الإطلاق
كل صوت في الفيلم هو مخرج حقيقي من Qwen Audio 3.1 TTS Next، كل مشهد من وصف مكتوب واحد: سوق ليلي تحت المطر، ممر مسكون عند منتصف الليل، وأغنية بجانب نار المخيم. الصور هي مخرجات Qwen Image 2.1، والموسيقى التصويرية تم إنتاجها بواسطة ACE-Step على EmpirioLabs. شاهدها على يوتيوب.
كيف يختلف عن Qwen Audio 3.1 TTS
كوين أوديو 3.1 TTS يقرأ نصك بصوت عال بصوت واحد من 19 صوتا معدة مسبقا ويمكنه بثه أثناء توليده. Qwen Audio 3.1 TTS Next لا يحتوي على قائمة أصوات: تصف كل صوت في المدخلات أو قم بنسخها من مقطع مرجعي، ونفس الوصف يضيف مؤثرات صوتية، وأجواء، وموسيقى. استخدم Qwen Audio 3.1 TTS لقراءة النص كما هو مكتوب بصوت ثابت، وQwen Audio 3.1 TTS Next عندما تكون النتيجة مشهدا منتجا.
طلبك الأول
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "التفويض: حامل $EMPIRIOLABS_API_KEY" \ -H "المحتوى-TYPE: application/json" \ -D '{ "MODEL": "qwen-audio-3-1-tts-next", "INPUT": "تقول راوية هادئة: \"كل صباح، يستيقظ الميناء قبل أن تستيقظ المدينة.\" أمواج لطيفة ونورس بعيدة في الخلفية." }'تحمل الاستجابة رابط URL للصوت المولد، MP3 بدقة 48,000 هرتز في الستيريو بشكل افتراضي. response_format كما يأخذ wav أو PCM, sample_rate يأخذ من 8,000 إلى 48,000 هرتز، و القنوات أخذ 1 للمونو و2 للستيريو. السرعة, الحجم، و البذور قابلة للتعديل، bit_rate يحدد معدل بت MP3 ثابت، و علامة مائية يضيف علامة مائية للمحتوى الذي يولده الذكاء الاصطناعي.
كتابة الوصف
- أصوات. صف كل متحدث، مثل راوية هادئة أو طفل متحمس، وضع كل سطر منطوق بين علامات اقتباس.
- توصيل. قل كيف يقال كل جملة، مثلا تهمس، تجيب بحرارة، أو تقول بمرح.
- الصوت. أضف مؤثرات صوتية، أجواء، وموسيقى في نفس النص، مثل طرق المطر على نافذة أو بيانو ناعم في الخلفية.
- اللغات. الصينية والإنجليزية.
- الطول. يصل إلى 3,000 حرف لكل طلب وحتى 120 ثانية من الصوت، أو 240 ثانية للبودكاست.
أصوات من مقاطع مرجعية
المراجع تأخذ حتى ثلاثة مقاطع كروابط URL أو URIs لبيانات الصوت base64، كل منها حتى 30 ثانية و10 ميجابايت، في WAV أو MP3 أو OGG Opus. قم بتسميتها في المدخلات ك @voice1, @voice2، و @voice3، بالترتيب الذي ترسله له. مقطعان يصنعان حوارا من صوتين:
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "التفويض: حامل $EMPIRIOLABS_API_KEY" \ -H "المحتوى-TYPE: application/json" \ -D '{ "MODEL": "qwen-audio-3-1-tts-next", "المراجع": ["https://example.com/visitor.mp3", "https://example.com/bookseller.mp3"], "إدخال": "في مكتبة هادئة، يهمس @voice1: \"هل رأيت رف الشعر الجديد؟\" @voice2 يجيب بحرارة: \"لقد أعددته هذا الصباح. [EOS]خذ وقتك.\" تقلب صفحة، وتطرطر النافذة بالمطر.", "response_format": "WAV", "sample_rate": 24000, "القنوات": 1 }'ملاحظات تشغيلية
- كل الاتجاهات تذهب للداخل
المدخلات. طلب معالتعليمأو مع SSML يتم رفضه مع 400 الذي ينص على ذلك. - كل
@voiceيحتاج إلى مشبكها.@voice2فيالمدخلاتيحتاج على الأقل إلى مقطعينالمراجع; وإلا يتم رفض الطلب. - لا أصوات محددة مسبقا.
الصوتمقبولة بحيث تعمل العملاء المتوافقة مع OpenAI دون تغيير، ولا يكون لها أي تأثير. وصف الصوت فيالمدخلات. - ملف كامل لكل طلب. هذا النموذج لا يبث مباشرة، و
ما بعد /v1/audio/speech:streamيعيد 400. المقطع القصير يستغرق حوالي 15 إلى 40 ثانية، لذا يسمح بمهلة استراحة للعميل لعدة دقائق للمشاهد الطويلة. - الصيغ. MP3، WAV، وPCM. أوبوس غير متوفرة.
التسعير
فوترة رمزية. رموز الإدخال تغطي الوصف وكل مقطع مرجعي، ورموز الإخراج تغطي الصوت المولد، حوالي 200 في الثانية. الطلب مع مقاطع مرجعية يفرض عليك رموز إدخال أكثر من نفس الوصف بدونها. المعدلات الحالية على صفحة النماذج و صفحة الأسعار.
ابدأ البناء
جرب Qwen Audio 3.1 TTS بعد ذلك في الملعب، حيث كل معامل هو تحكم حي، واقرأ توثيق واجهة برمجة التطبيقات للمرجع الكامل للمعلمات.
إفصاح: كتب هذا المقال بمساعدة الذكاء الاصطناعي وتمت مراجعته من قبل EmpirioLabs AI.
