Cómo usar la API Qwen Audio 3.1 TTS Plus

Qwen Audio 3.1 TTS Plus está disponible en EmpirioLabs. Es el nivel de calidad de la síntesis de voz Qwen Audio 3.1 de Alibaba, creada para narración, doblaje, audiolibros y voces de marca, con 4 voces multilingües, una entrega que diriges en lenguaje sencillo, etiquetas en línea que cambian la emoción o añaden un sonido a mitad de frase, y clonación de voces a partir de una grabación corta. Devuelve un archivo de audio terminado a través de DESPUÉS /v1/audio/speech, transmite audio a medida que se genera DESPUÉS /v1/audio/speech:stream, y a través de la API en tiempo real el texto habla mientras el texto aún se está escribiendo.

Mira el vídeo de lanzamiento

Todas las voces de la película son una salida real Qwen Audio 3.1 TTS Plus: Xu Nanchuan dirigida en lenguaje sencillo como narrador del tráiler, luego Long An Huan con una etiqueta emocionada, Long An Fengyue en mandarín y Long An Lingxin con una etiqueta de risa. Las imágenes son de Qwen Image 2.1, y la banda sonora fue generada por ACE-Step on EmpirioLabs. Míralo en YouTube.

Plus o Flash

Qwen Audio 3.1 TTS es el nivel Flash, diseñado para interacción de voz de baja latencia, con 19 voces y facturación de tokens. TTS Plus pone la calidad del audio, la naturalidad y el detalle expresivo en primer lugar, tiene sus propias 4 voces y factura por personaje. Ambas toman el mismo cuerpo de solicitud, la misma dirección de entrega y las mismas interfaces de streaming y tiempo real, por lo que moverse entre ellas es un cambio de modelo y voz.

Voces

Las cuatro voces leen chino, inglés y otros idiomas. longanlingxin_v3.1, longanhuan_v3.1, y longanfengyue_v3.1 son femeninas, y xunanchuan_v3.1 es masculino. Para textos que mezclan lenguas, language_hints toma una matriz de códigos de lenguaje, como ["en", "zh"], para guiar la pronunciación.

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-plus", "entrada": "El archivo había estado sellado durante cuarenta años.[ susurra] Esta noche, alguien lo abrió.", "voz": "xunanchuan_v3.1", "instrucciones": "Un narrador documental, bajo y medido, construyendo un suspense silencioso", "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, y Pronunciación y reemplazar Corrige nombres, siglas y nombres de marca.

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], o [en serio] cambia la forma de entregar desde el punto en que aparece.
• Etiquetas de sonido. Una etiqueta como [riendo] o [suspira] añade un sonido único. La lista completa de etiquetas está en el Entrada en la referencia de la API.

Clonación de una voz

Set Voz a Personalizado, pasa voice_audio_url, una URL https a 10 a 20 segundos de voz clara de un altavoz, y se establece voice_consent a Cierto para confirmar que tienes el permiso del altavoz. Se aceptan WAV, MP3, M4A, OGG, WEBM y FLAC, hasta 15 MB.

{ "modelo": "qwen-audio-3-1-tts-plus", "entrada": "Bienvenidos de nuevo. Esto es lo que ha cambiado esta semana.", "voz": "personalizado", "voice_audio_url": "https://example.com/host-sample.wav", "voice_consent": verdadero }

La respuesta incluye un voice_id y voice_id_expires_at. Pasa el voice_id como Voz Durante los siguientes 7 días, ya sea en el punto final de voz o en una sesión en tiempo real. Una cuenta puede almacenar hasta 10 voces personalizadas en este modelo a la vez.

Streaming y tiempo real

DESPUÉS /v1/audio/speech:stream toma el mismo cuerpo y devuelve Eventos Enviados por el Servidor: audio.chunk Eventos con Base64 Audio en audio_b64, entonces audio.done con la URL del archivo completo, su duración y su uso.

A través de la API en tiempo real, abrir wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts-plus, enviar mensajes con input_text_buffer.append en piezas de cualquier tamaño, y reproducir el audio de cada uno response.audio.delta evento. session.update establece la voz, la instrucción y el formato, y sesión.fin dice el resto y termina la sesión. El Guía en tiempo real tiene un cliente completo.

Notas operativas

• Las cuatro voces son propias de este modelo. Una voz Qwen Audio 3.1 TTS como Emily_v3.1 es rechazado en Plus con la lista de identificaciones válidas.
• Una voz personalizada funciona sobre el modelo que la creó. A voice_id clonado en Qwen Audio 3.1 TTS no funciona en Plus; clonar la grabación de nuevo con "modelo": "qwen-audio-3-1-tts-plus".
• SSML no es compatible. Envía texto plano, con Instrucción para la entrega general y las etiquetas en línea para cambios dentro del texto, hasta 10.000 caracteres por solicitud.

Precios

TTS Plus factura por carácter del texto que envías, y cada carácter chino cuenta como dos. Una sesión en tiempo real factura cada segmento hablado de la misma manera, y crear una voz personalizada no añade coste. Las tarifas actuales están en el página modelo y el página de precios.

Empieza a construir

Prueba Qwen Audio 3.1 TTS Plus 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.