Cómo usar la API de Qwen Audio 3.1 TTS

Qwen Audio 3.1 TTS está disponible en EmpirioLabs. Es el modelo de síntesis de voz en tiempo real de Alibaba, con 19 voces, una entrega que diriges en lenguaje sencillo y etiquetas en línea que cambian la emoción o añaden un sonido a mitad de frase. Devuelve un archivo de audio terminado a través de DESPUÉS /v1/audio/speech o transmite el audio tal como se genera DESPUÉS /v1/audio/speech:stream, en la API y en la Playground, y sobre la API en tiempo real, habla texto mientras el texto aún se está escribiendo.

Mira el vídeo de lanzamiento

Todas las voces de la película son un auténtico Qwen Audio 3.1 TTS: Brian dirigió en lenguaje sencillo como narrador del tráiler, luego Cindy, Ava y Andy con etiquetas emocionadas, susurradas y rientas. Las imágenes son salidas Qwen Image 2.1, y la banda sonora fue generada por ACE-Step en EmpirioLabs. Míralo en YouTube.

Voces e idiomas

Voces en inglés. Quince voces hablan inglés. Emily, Luna, Eric y Luca tienen acento británico. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian y David tienen acento americano.

Voces multilingües. longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1, y xunanchuan_v3.1 leía chino, inglés y otros idiomas.

Pistas de idioma. Para textos que mezclan idiomas, language_hints toma una matriz de códigos de lenguaje, como ["en", "zh"], para guiar la pronunciación. Se admiten dieciséis códigos, incluyendo en, zh, Ja, Ko, fr, de, es, y ar.

Tu primera petición

curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorización: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-Contenido: application/json" \ -d '{{ "modelo": "qwen-audio-3-1-tts", "entrada": "[emocionado]¡Hemos llegado a la fecha de lanzamiento![ risas] Gracias a todos por las noches largas.", "voz": "Ava_v3.1", "instrucciones": "Cálido y animado, como un líder de equipo compartiendo buenas noticias", "response_format": "mp3", "sample_rate": 24000 }'

La respuesta lleva una URL al audio generado. La salida es MP3, WAV, PCM u Opus a 8.000 a 48.000 Hz. Velocidad, Pitch, Volumen, y Semilla son ajustables, Pronunciación y reemplazar Nombres de corrección, acrónimos y nombres de marca, y enable_markdown_filter evita que los caracteres de formateo se lean en voz alta.

Dirigir la entrega

• Instrucción. Instrucción establece emoción, tono, carácter, ritmo y estilo de habla para todo el pasaje, hasta 1.000 caracteres.
• Etiquetas de entrega. Una etiqueta como [emocionado], [susurra], [en serio], o [muy despacio] cambia la forma de entregar desde el punto en que aparece.
• Etiquetas de sonido. Una etiqueta como [riendo], [suspira], [jadeo], o [carraspea] añade un sonido único. La lista completa de etiquetas está en el Entrada en la referencia de la API.

Streaming

DESPUÉS /v1/audio/speech:stream toma el mismo cuerpo y devuelve los Eventos Enviados al Servidor. Cada uno audio.chunk El evento lleva un bloque de audio base64 en audio_b64, en el formato y tasa de muestreo solicitados. Un final audio.done event lleva la URL del archivo completo, su duración y su uso, seguido de [HECHO].

Tiempo real: habla el texto mientras se escribe

A través de la API en tiempo real, Qwen Audio 3.1 TTS habla texto mientras el texto sigue llegando, por ejemplo, la respuesta de un modelo de lenguaje mientras transmite. Abrir un WebSocket para wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts con tu clave API en el Autorización encabezado, enviar texto con input_text_buffer.append en piezas de cualquier tamaño, y reproducir el audio de cada uno response.audio.delta evento.

{"type": "session.update", "session": {"voice": "Ava_v3.1", "instruction": "Cálido, como un locutor de radio nocturno"}} {"type": "input_text_buffer.append", "text": "Buenas noches, "} {"type": "input_text_buffer.append", "text": "y bienvenidos a la edición tardía."} {"type": "sesión.finish"}

• Enviando mensaje. input_text_buffer.commit habla todo lo que se ha enviado hasta ahora. sesión.fin Habla el resto y termina la sesión con sesión.terminada.
• Audio y ajustes. El audio es PCM de 16 bits a 24.000 Hz por defecto. session.update establece la voz, instrucción, formato (PCM, mp3, o Obra), la frecuencia de muestreo y los otros ajustes de voz, empezando por el siguiente segmento.
• Segmentos. El texto se pronuncia en segmentos que terminan en los límites de las oraciones, y cada segmento termina con una response.done evento que lleva su uso. Un segmento también termina tras 8 segundos sin nuevo texto.
• Páginas web. Un navegador se conecta con un secreto de cliente de corta duración de DESPUÉS /v1/realtime/client_secrets, así que tu clave API permanece en tu servidor.

El Guía en tiempo real tiene un cliente Python completo y la referencia de eventos.

Notas operativas

• Cada id de voz termina en _v3.1. Un nombre simple como Emily, o un ID de voz Qwen Audio 3.0 TTS, es rechazado junto con la lista de los 19 IDs válidos. Uso Emily_v3.1.
• SSML no es compatible. Envía texto plano. Usa Instrucción para la entrega general y etiquetas en línea para cambios dentro del texto.
• Hasta 10.000 caracteres por petición. Divide los scripts más largos en varias solicitudes.

Precios

Facturación de fichas. Qwen Audio 3.0 TTS factura por carácter; Qwen Audio 3.1 TTS factura tokens. El texto que envías se factura como tokens de entrada, y el audio generado como tokens de salida a 12,5 tokens por segundo de audio, y una sesión en tiempo real factura cada segmento de la misma manera. El Velocidad y Pitch los ajustes cambian la duración del audio pero no los tokens facturados, mientras que una instrucción que ralentiza la entrega añade tokens de salida. Las tasas actuales están en el página modelo y el página de precios.

Empieza a construir

Prueba Qwen Audio 3.1 TTS en el Playground, donde el selector de voz y cada parámetro son controles en vivo, y leen el Documentación de la API para la referencia completa de parámetros.

Divulgación: Este artículo fue escrito con asistencia AI y revisado por EmpirioLabs AI.