Wie man die Qwen Audio 3.1 TTS Plus API verwendet

Qwen Audio 3.1 TTS Plus ist auf EmpirioLabs verfügbar. Es ist die Qualitätsstufe von Alibabas Qwen Audio 3.1 Sprachsynthese, entwickelt für Erzählung, Synchronisation, Hörbücher und Markenstimmen, mit 4 mehrsprachigen Stimmen, die Sie in klarer Sprache direkt sprechen, Inline-Tags, die Emotionen verändern oder mitten im Satz einen Laut hinzufügen, sowie Stimmklonen aus einer kurzen Aufnahme. Es gibt eine fertige Audiodatei zurück POST /v1/audio/speech, streamt Audio, während er erzeugt wird durch POST /v1/audio/speech:stream, und über die Realtime API spricht Text, während der Text noch geschrieben wird.

Sehen Sie sich den Startfilm an

Jede Stimme im Film ist eine echte Qwen Audio 3.1 TTS Plus-Ausgabe: Xu Nanchuan inszenierte in einfacher Sprache als Trailer-Erzähler, dann Long An Huan mit einem aufgeregten Tag, Long An Fengyue auf Mandarin und Long An Lingxin mit einem Lachtag. Die Bilder sind Qwen Image 2.1-Ausgaben, und die Filmmusik wurde von ACE-Step auf EmpirioLabs erstellt. Sieh es dir auf YouTube an..

Plus oder Flash

Qwen Audio 3.1 TTS ist die Flash-Stufe, die für Synchroninteraktion mit niedriger Latenz gebaut wurde, mit 19 Stimmen und Token-Abrechnung. TTS Plus stellt Audioqualität, Natürlichkeit und ausdrucksstarke Details an erste Stelle, verfügt über vier eigene Stimmen und Rechnungen pro Zeichen. Beide übernehmen denselben Request-Body, dieselbe Lieferrichtung und dieselben Streaming- und Echtzeit-Schnittstellen, sodass der Wechsel zwischen ihnen eine Änderung von Modell und Stimme bedeutet.

Stimmen

Alle vier Stimmen sprachen Chinesisch, Englisch und andere Sprachen. longanlingxin_v3.1, longanhuan_v3.1, und longanfengyue_v3.1 sind weiblich, und xunanchuan_v3.1 ist männlich. Für Text, der Sprachen mischt, language_hints nimmt ein Array von Sprachcodes, wie zum Beispiel ["en", "zh"], um die Aussprache zu leiten.

Deine erste Bitte

curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorisierung: Träger $EMPIRIOLABS_API_KEY" \ -H "Inhaltstyp: application/json" \ -d '{ "model": "qwen-audio-3-1-tts-plus", "input": "Das Archiv war vierzig Jahre lang versiegelt.[ flüstert] Heute Nacht hat es jemand geöffnet.", "Stimme": "xunanchuan_v3.1", "Anweisung": "Ein Dokumentarerzähler, leise und bedacht, der stille Spannung aufbaut", "response_format": "mp3", "sample_rate": 24000 }'

Die Antwort enthält eine URL zum generierten Audio. Die Ausgabe ist MP3, WAV, PCM oder Opus mit 8.000 bis 48.000 Hz. Geschwindigkeit, Pitch, Volume, und Saatgut sind verstellbar, und Aussprache und Ersetzen Fixiere Namen, Abkürzungen und Markennamen.

Leitung der Zustellung

• Instruktion. Unterricht legt Emotion, Ton, Charakter, Tempo und Sprechstil für den gesamten Abschnitt fest, bis zu 1.000 Zeichen.
• Lieferetiketten. Ein Tag wie [aufgeregt], [flüstert], oder [ernst] verändert die Lieferung von dem Moment an, an dem sie erscheint.
• Sound-Tags. Ein Tag wie [lacht] oder [seufzt] fügt einen einmaligen Sound hinzu. Die vollständige Liste der Tags findet sich auf dem Eingabe Parameter in der API-Referenz.

Eine Stimme klonen

Setz Stimme zu Gewohnheit, passe voice_audio_url, eine HTTPS-URL zu 10 bis 20 Sekunden klarer Sprache von einem Sprecher, und setzen Sie voice_consent zu Stimmt um zu bestätigen, dass Sie die Erlaubnis des Sprechers haben. WAV, MP3, M4A, OGG, WEBM und FLAC werden akzeptiert, bis zu 15 MB.

{ "model": "qwen-audio-3-1-tts-plus", "input": "Willkommen zurück. Hier ist, was sich diese Woche geändert hat.", "voice": "custom", "voice_audio_url": "https://example.com/host-sample.wav", "voice_consent": true }

Die Antwort enthält eine voice_id und voice_id_expires_at. Reichen Sie die voice_id als Stimme für die nächsten 7 Tage, entweder am Sprachendpunkt oder in einer Echtzeitsitzung. Ein Konto speichert auf diesem Modell jeweils bis zu 10 benutzerdefinierte Stimmen.

Streaming und Echtzeit

POST /v1/audio/speech:stream nimmt denselben Körper und gibt Server-Gesendete Ereignisse zurück: audio.chunk Ereignisse mit Base64-Audio in audio_b64, dann audio.done mit der URL der vollständigen Datei, ihrer Dauer und der Verwendung.

Über die Realtime-API, offen wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts-plus, SMS senden mit input_text_buffer.append in Stücken beliebiger Größe und spielen die Audioaufnahmen von jedem ab response.audio.delta Ereignis. session.update legt die Stimme, den Unterricht und das Format fest, und Session.Finish spricht den Rest und beendet die Sitzung. Die Echtzeit-Leitfaden hat einen kompletten Kunden.

Betriebshinweise

• Die vier Stimmen sind die eigenen dieses Modells. Eine Qwen Audio 3.1 TTS-Stimme wie Emily_v3.1 wird bei Plus zusammen mit der Liste gültiger Ausweise abgelehnt.
• Eine benutzerdefinierte Stimme funktioniert bei dem Modell, das sie erstellt hat. A voice_id geklont auf Qwen Audio 3.1 TTS funktioniert auf Plus nicht; klone die Aufnahme erneut mit "Model": "qwen-audio-3-1-tts-plus".
• SSML wird nicht unterstützt. Senden Sie Klartext, mit Unterricht Für die Gesamtzustellung und Inline-Tags für Änderungen im Text bis zu 10.000 Zeichen pro Anfrage.

Preisgestaltung

TTS Plus berechnet pro Zeichen des gesendeten Textes, und jedes chinesische Zeichen zählt als zwei. Eine Echtzeitsitzung rechnet jeden gesprochenen Abschnitt auf die gleiche Weise ab, und das Erstellen einer benutzerdefinierten Stimme kostet keine Gebühren. Die aktuellen Tarife sind auf dem modellblatt und die preisseite.

Beginnen Sie mit dem Bau

Probier Qwen Audio 3.1 TTS Plus in der Playground, wobei der Sprachwähler und alle Parameter Live-Steuerungen sind und die API-Dokumentation für die vollständige Parameterreferenz.

Offenlegung: Dieser Artikel wurde mit KI-Unterstützung geschrieben und von EmpirioLabs AI überprüft.