Echtzeit-Sprachsynthese mit 19 Stimmen, Vortragsrichtung in klarer Sprache, Inline-Emotions- und Soundtags sowie Audio, der über SSE oder WebSocket gestreamt wird.
Alibaba CloudAudiogenerationVeröffentlicht 23. Sept. 2026SingaporeProprietärer EndpointNeuEchtzeit-Sprachsynthese mit 19 Stimmen, Vortragsrichtung in klarer Sprache, Inline-Emotions- und Soundtags sowie Audio, der über SSE oder WebSocket gestreamt wird.
Wähle eine von 19 Stimmen mit Sprache. Lenke die Darstellung mit Anweisungen und mit Inline-Tags im Text. Geschwindigkeit und Tonhöhe verändern die gerenderte Länge, ohne die bestellten Tokens zu ändern.
Auch bekannt als Qwen Audio TTS, Alibaba Cloud Qwen Audio 3.1 TTS
qwen-audio-3-1-tts/v1/audio/speechPOST/v1/audio/speech:streamWEBSOCKET/v1/realtimeqwen-audio-3.1-ttsqwen-audio-3.1-tts-flashalibaba/qwen-audio-3-1-ttsLive Pay-as-you-go-Preise aus dem EmpirioLabs-Katalog. Du zahlst nur für das, was du nutzt, ohne monatliches Minimum.
Qwen Audio 3.1 TTS erzeugt Sprache über POST /v1/audio/speech und liefert abspielbares Audio. Sende den zu sprechenden Text als input mit der Modell-ID qwen-audio-3-1-tts. Hol dir einen API-Schlüssel im EmpirioLabs Dashboard.
curl https://api.empiriolabs.ai/v1/audio/speech \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen-audio-3-1-tts",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/speech",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={"model": "qwen-audio-3-1-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)Request-Parameter, die die Qwen Audio 3.1 TTS API auf EmpirioLabs unterstützt. Standardwerte gelten, wenn ein Feld weggelassen wird.
| Parameter | Typ | Standard | Bereich / Werte | Beschreibung |
|---|---|---|---|---|
| input | string | - | max. 10000 | Text zur Synthese, bis zu 10.000 Zeichen pro Anfrage. Diese Inline-Tags ändern die Darbietung ab dem Punkt, an dem sie erscheinen: [traurig], [erstaunt], [tiefes und... |
| voice | enum | Emily_v3.1 | Emily_v3.1, Luna_v3.1, Eric_v3.1, Luca_v3.1, Abby_v3.1, Annie... | Sprachvoreinstellung. Die 15 englischen Stimmen lesen Englisch, und die 4 mehrsprachigen Stimmen lesen Chinesisch, Englisch und andere Sprachen. Jede Stimmen-ID... |
| response_format | enum | mp3 | mp3, wav, pcm, opus | Audio-Container. MP3 und Opus sind komprimiert, WAV ist unkomprimiertes PCM in einem RIFF-Header, und PCM sind headerlose Rohsamples für Chunk-Wiedergabe. |
| sample_rate | enum | 24000 | 8000, 12000, 16000, 22050, 24000, 44100, 48000 | Die Ausgabe-Abtastrate in Hz. 24000 eignet sich für Sprachwiedergabe, und 48000 liefert Broadcast-Qualität bei größerer Dateigröße. |
| speed | number | 1 | 0.5 bis 2 | Sprechratemultiplikator. 0,5 ist halbe Geschwindigkeit und 2,0 ist doppelte Geschwindigkeit. |
| pitch | number | 1 | 0.5 bis 2 | Tonhöhenmultiplikator. Werte unter 1,0 senken die Stimme, und Werte darüber erhöhen sie. Pitch verändert auch das Tempo des gerenderten Audios, also kombiniere es... |
| volume | integer | 50 | 0 bis 100 | Ausgangslautstärke, wobei 50 der Referenzpegel ist. |
| instruction | string | - | max. 1000 | Natürliche Sprachanweisung für die Darbietung, bis zu 1.000 Zeichen. Kontrolliert Emotion, Tonfall, Charakter, Tempo und Sprechstil, zum Beispiel 'Sprich schnell in... |
| language_hints | array | - | zh, en, fr, de, ja, ko, ru, pt, th, id, vi, es, it, ms, fil, ar | Die Sprache codiert, die die Aussprache für gemischtsprachige Texte verzerrt, zum Beispiel ["zh", "en"]. Lassen Sie unset, damit das Modell die Sprache erkennt. |
| seed | integer | 0 | 0 bis 65535 | Samen probieren. Verwenden Sie einen Seed mit identischen Eingaben und Einstellungen für ein wiederholbares Rendern wieder. |
| bit_rate | integer | 32000 | 6000 bis 510000 | Encoder-Bitrate in BPS. Gilt nur für das Opus-Format und wird für mp3, wav und pcm ignoriert. |
| pronunciation | object | - | - | Die Aussprache überschreibt zum Beispiel {"重要": "zhong4 yao4"}. Nutze es, um Namen, Akronyme und Homographen zu fixieren. |
| replace | object | - | - | Wörtliche Textsubstitutionen wurden vor der Synthese angewendet, zum Beispiel {"EmpirioLabs": "Empirio Labs"}. Nützlich für Markennamen und Abkürzungen. |
| enable_markdown_filter | boolean | false | - | Strip Markdown-Syntax wie Sternchen und Unterstreichungen vor der Synthese, damit die Formatierung der Zeichen nicht laut vorgelesen wird. |
Auf EmpirioLabs wird Qwen Audio 3.1 TTS nach Verbrauch abgerechnet: Eingabe $0.46 pro 1M Prompt-Token; Output $3.74 pro 1 Million generierter Token. Die Live-Preistabelle auf dieser Seite entspricht immer dem, was die API berechnet.
Qwen Audio 3.1 TTS wird über POST /v1/audio/speech auf api.empiriolabs.ai mit normaler Bearer-Token-Authentifizierung bereitgestellt.
Öffnen Sie das EmpirioLabs Playground und klicken Sie auf Start session, um es im Browser zu testen. Qwen Audio 3.1 TTS läuft über einen WebSocket statt über Anfrage und Antwort, beginnen Sie für die Integration deshalb mit dem Schnellstart für Echtzeit-Sprache. Verbinden Sie sich von Ihrem Server aus mit Ihrem EmpirioLabs-API-Schlüssel und der Modell-ID qwen-audio-3-1-tts und streamen Sie dann Audio in beide Richtungen.
Erstelle ein EmpirioLabs-Konto und generiere dann einen Schlüssel unter API Keys im Dashboard. Die Abrechnung erfolgt über Pay-as-you-go-Guthaben, du zahlst also nur für deine Requests.
Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.
