كيفية استخدام واجهة برمجة تطبيقات Qwen Audio 3.1 TTS Plus

يتوفر Qwen Audio 3.1 TTS Plus على EmpirioLabs. إنه المستوى العالي في نظام Qwen Audio 3.1 من علي بابا، مصمم للسرد، والدبلجة، والكتب الصوتية، وأصوات العلامات التجارية، مع 4 أصوات متعددة اللغات، وتوصية توجهها بلغة بسيطة، وعلامات داخلية تغير المشاعر أو تضيف صوتا في منتصف الجملة، واستنساخ صوت من تسجيل قصير. يعيد ملف صوتي مكتمل عبر ما بعد /v1/audio/speech، يبث الصوت أثناء تولده من خلاله ما بعد /v1/audio/speech:stream، وعبر واجهة برمجة التطبيقات في الوقت الحقيقي تتحدث النص أثناء كتابة النص.

شاهد فيلم الإطلاق

كل صوت في الفيلم هو مخرج حقيقي من Qwen Audio 3.1 TTS Plus: شو نانتشوان أخرجه باللغة البسيطة كراوي إعلان، ثم لونغ آن هوان مع علامة متحمسة، لونغ آن فنغيوي بالماندرين، ولونغ آن لينغشين مع علامة ضحك. الصور هي مخرجات Qwen Image 2.1، والموسيقى التصويرية تم إنتاجها بواسطة ACE-Step في EmpirioLabs. شاهدها على يوتيوب.

بلس أو فلاش

كوين أوديو 3.1 TTS هي فئة الفلاش، المصممة للتفاعل الصوتي منخفض التأخير، مع 19 صوتا وفوترة رمزية. TTS Plus يضع جودة الصوت والطبيعية والتفاصيل التعبيرية أولا، وله 4 أصوات خاصة به، وفواتير لكل حرف. كلاهما يأخذ نفس جسم الطلب، ونفس اتجاه التسليم، ونفس الواجهات المباشرة والمباشرة، لذا فإن التنقل بينهما هو تغيير في النموذج والصوت.

الأصوات

جميع الأصوات الأربعة تقرأ الصينية والإنجليزية ولغات أخرى. longanlingxin_v3.1, longanhuan_v3.1، و longanfengyue_v3.1 إناث، و xunanchuan_v3.1 ذكر. بالنسبة للنص الذي يخلط اللغات، language_hints يأخذ مجموعة من رموز اللغة، مثل ["en"، "zh"]، لتوجيه النطق.

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-plus", "INPUT": "الأرشيف مغلق منذ أربعين سنة.[ [EOS]يهمس] الليلة، فتح أحدهم الأرشيف.", "VOICE": "xunanchuan_v3.1", "تعليمات": "راوي وثائقي، منخفض ومتزن، يبني تشوقا هادئا"، "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، و النطق و استبدال تصحيح الأسماء، والاختصارات، وأسماء العلامات التجارية.

توجيه التسليم

• التعليم. التعليم يحدد المشاعر، والنغمة، والشخصية، والإيقاع، وأسلوب التحدث طوال المقطع، حتى 1000 حرف.
• بطاقات التسليم. وسم مثل [متحمس], [همس]، أو [جدي] يغير طريقة التسليم من نقطة ظهوره.
• علامات الصوت. وسم مثل [ضحك] أو [تنهد] يضيف صوتا لمرة واحدة. القائمة الكاملة للوسوم موجودة على المدخلات المعامل في مرجع واجهة برمجة التطبيقات (API).

استنساخ صوت

المجموعة الصوت إلى العرف, مرر voice_audio_url، رابط https ل10 إلى 20 ثانية من الكلام الواضح من مكبر صوت واحد، وتعيين voice_consent إلى صحيح لتأكيد أن لديك إذن المتحدث. تقبل WAV، MP3، M4A، OGG، WEBM، وFLAC، حتى 15 ميجابايت.

{ "model": "qwen-audio-3-1-tts-plus", "input": "مرحبا بعودتكم." إليك ما تغير هذا الأسبوع.", "voice": "مخصص"، "voice_audio_url": "https://example.com/host-sample.wav", "voice_consent": صحيح }

يشمل الرد voice_id و voice_id_expires_at. مرر ال voice_id ك الصوت لمدة 7 أيام قادمة، سواء على نقطة نهاية الكلام أو في جلسة فورية. يحتفظ الحساب بما يصل إلى 10 أصوات مخصصة على هذا النموذج في كل مرة.

البث المباشر والوقت الحقيقي

ما بعد /v1/audio/speech:stream يأخذ نفس الجسم ويعيد الأحداث المرسلة من الخادم: audio.chunk فعاليات مع Base64 Audio في audio_b64، إذن audio.done مع عنوان URL للملف الكامل، ومدةه، واستخدامه.

عبر واجهة برمجة التطبيقات في الوقت الحقيقي، مفتوحة WSS://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts-plus، أرسل رسالة نصية مع input_text_buffer.append في قطع بأي حجم، وشغل الصوت من كل قطعة response.audio.delta حدث. session.update يحدد الصوت والتعليمات والتنسيق، و session.finish يتحدث الباقين وينهي الجلسة. ال دليل الوقت الحقيقي لديه عميل كامل.

ملاحظات تشغيلية

• الأصوات الأربعة هي أصوات هذا النموذج نفسه. صوت QWEN Audio 3.1 TTS مثل Emily_v3.1 يتم رفضه في Plus مع قائمة المعرفات الصالحة.
• الصوت المخصص يعمل على النموذج الذي أنشأه. A voice_id تم الاستنساخ على Qwen Audio 3.1 TTS لا يعمل على Plus; قم باستنساخ التسجيل مرة أخرى باستخدام "عارض": "qwen-audio-3-1-tts-plus".
• SSML غير مدعوم. أرسل نصا عاديا، مع التعليم بالنسبة للتسليم العام والعلامات المضمنة للتغييرات داخل النص، تصل إلى 10,000 حرف لكل طلب.

التسعير

TTS Plus يحسب لكل حرف من النص الذي ترسله، وكل حرف صيني يحتسب كحرف واحد. جلسة الوقت الحقيقي تحسب كل جزء منطوق بنفس الطريقة، وإنشاء صوت مخصص لا يضيف أي رسوم. الأسعار الحالية على صفحة النماذج و صفحة الأسعار.

ابدأ البناء

جرب Qwen Audio 3.1 TTS Plus في Playground، 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.