Cómo usar la API Qwen Audio 3.1 TTS Next

Qwen Audio 3.1 TTS Next está disponible en EmpirioLabs. Es el modelo de generación de audio de Alibaba. Describe una escena en lenguaje sencillo, incluyendo quién habla, qué dice, cómo suena y qué se oye a su alrededor, y devuelve un archivo de audio terminado con la narración, diálogos, efectos de sonido, ambiente y música juntos. Sigue funcionando DESPUÉS /v1/audio/speech, en la API y en la Playground.

Mira el vídeo de lanzamiento

Cada sonido de la película es una salida real de Qwen Audio 3.1 TTS Next, cada escena de una descripción escrita: un mercado nocturno bajo la lluvia, un pasillo encantado a medianoche y una canción junto a una hoguera. Las imágenes son salidas Qwen Image 2.1, y la banda sonora fue generada por ACE-Step on EmpirioLabs. Míralo en YouTube.

Cómo se diferencia de Qwen Audio 3.1 TTS

Qwen Audio 3.1 TTS lee tu texto en voz alta en una de las 19 voces predefinidas y puede transmitirlo en streaming a medida que se genera. Qwen Audio 3.1 TTS Next no tiene lista de voces: describes cada voz en Entrada o clonarlo a partir de un clip de referencia, y la misma descripción añade efectos de sonido, ambiente y música. Usa Qwen Audio 3.1 TTS para leer texto tal como está escrito en una voz fija, y Qwen Audio 3.1 TTS Next cuando el resultado sea una escena producida.

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-next", "entrada": "Una narradora tranquila dice: \"Cada mañana, el puerto se despierta antes que el pueblo.\" Olas suaves y gaviotas lejanas de fondo." }'

La respuesta lleva una URL al audio generado, MP3 a 48.000 Hz en estéreo por defecto. response_format también toma WAW o PCM, sample_rate toma entre 8.000 y 48.000 Hz, y Canales Toma 1 para mono o 2 para estéreo. Velocidad, Volumen, y Semilla son ajustables, bit_rate establece una tasa de bits MP3 constante, y Marca de agua añade una marca de agua de contenido generado por IA.

Redactando la descripción

• Voces. Describe a cada hablante, como una narradora tranquila o un niño emocionado, y pon cada línea entre comillas.
• Entrega. Di cómo se dice cada línea, por ejemplo, susurra, responde con calidez o dice alegremente.
• Sonido. Añade efectos de sonido, ambiente y música en el mismo texto, como la lluvia golpeando una ventana o un piano suave de fondo.
• Idiomas. Chino e inglés.
• Longitud. Hasta 3.000 caracteres por petición y hasta 120 segundos de audio, o 240 segundos para un podcast.

Voces de fragmentos de referencia

Referencias acepta hasta tres clips como URLs o URIs de datos de audio base64, cada uno de hasta 30 segundos y 10 MB, en WAV, MP3 o OGG Opus. Nómbralos en Entrada como @voice1, @voice2, y @voice3, en el orden en que los envíes. Dos clips forman un diálogo a dos voces:

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-next", "referencias": ["https://example.com/visitor.mp3", "https://example.com/bookseller.mp3"], "entrada": "En una librería tranquila, @voice1 susurra: \"¿Has visto la nueva estantería de poesía?\" @voice2 responde cálidamente: \"La he montado esta mañana. Tómate tu tiempo.\" Pasa una página y la lluvia golpea la ventana.", "response_format": "onda", "sample_rate": 24000, "canales": 1 }'

Notas operativas

• En todas las direcciones Entrada. Una petición con Instrucción o con SSML se rechaza con un 400 que lo indica.
• Cada @voice necesita su cargador. @voice2 en Entrada Necesita al menos dos clips Referencias; de lo contrario, la solicitud es rechazada.
• No hay voces predefinidas. Voz se acepta para que los clientes compatibles con OpenAI funcionen sin cambios y no tenga efecto. Describe la voz en Entrada.
• Un expediente completo por solicitud. Este modelo no transmite en streaming, y DESPUÉS /v1/audio/speech:stream devolve 400. Un clip corto dura entre 15 y 40 segundos, así que permite al cliente un tiempo muerto de varios minutos para escenas largas.
• Formatos. MP3, WAV y PCM. No se ofrece Opus.

Precios

Facturación de fichas. Los tokens de entrada cubren la descripción y cada clip de referencia, y los tokens de salida cubren el audio generado, aproximadamente 200 por segundo. Una petición con clips de referencia factura más tokens de entrada que la misma descripción sin ellos. Las tasas actuales están en el página modelo y el página de precios.

Empieza a construir

Prueba Qwen Audio 3.1 TTS A continuación en el Playground, donde cada parámetro es un control en vivo, y se lee el Documentación de la API para la referencia completa de parámetros.

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