Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next de un vistazo

Qwen Audio 3.1 TTS y Qwen Audio 3.1 TTS Next son modelos de Alibaba Cloud en la categoría Generación de audio, disponibles a través de la API de EmpirioLabs.

Diferencias clave

• Ambos modelos se lanzaron el 23 sept 2026.
• Qwen Audio 3.1 TTS devuelve hasta 60.000 tokens de salida por respuesta; Qwen Audio 3.1 TTS Next, hasta 50.000.
• Tipos de entrada que solo acepta Qwen Audio 3.1 TTS Next: Audio.
• Capacidades indicadas solo para Qwen Audio 3.1 TTS: multilingual, expressive prosody, emotion control, voice tags, low latency, streaming.
• Capacidades indicadas solo para Qwen Audio 3.1 TTS Next: audio generation, multi speaker, sound effects, podcast.
• Qwen Audio 3.1 TTS tiene la tarifa más baja para Entrada (por 1M de tokens de prompt).
• Qwen Audio 3.1 TTS Next tiene la tarifa más baja para Salida (por 1M de tokens generados).

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: especificaciones

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: precios de la API

Tarifas en vivo del catálogo de EmpirioLabs para ambos modelos. Cada tabla de tarifas siempre coincide con lo que cobra la API.

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: parámetros de la API

Parámetros de solicitud que cada modelo indica en EmpirioLabs, con los valores permitidos o el rango cuando corresponde. Un guion marca un parámetro que el modelo no indica.

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: límites y notas

Qwen Audio 3.1 TTS

Voces

• 19 voces: 15 voces en inglés y 4 voces multilingües. Emily, Luna, Eric y Luca tienen acento británico. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian y David tienen acento americano. Las voces multilingües longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 y xunanchuan_v3.1 leen chino, inglés y otros idiomas.
• Cada identificación de voz termina en _v3.1, por ejemplo Emily_v3.1.

Voces personalizadas

• Configura voice para custom y pasa voice_audio_url, una URL https a 10 a 20 segundos de voz clara de un altavoz.
• Se aceptan WAV, MP3, M4A, OGG, WEBM y FLAC, hasta 15 MB. Graba en una habitación tranquila, sin música ni otras voces.
• La respuesta incluye voice_id y voice_id_expires_at. Pasa el voice_id como voice reutilizar la voz durante 7 días, en POST /v1/audio/speech, POST /v1/audio/speech:stream o el socket en tiempo real, donde session.update toma los mismos campos y session.updated devuelve el voice_id. Solo la cuenta que la creó puede usarlo.
• Cada cuenta puede almacenar 10 voces personalizadas en este modelo a la vez.
• GET /v1/voices?model=qwen-audio-3-1-tts lista las voces del modelo, incluyendo tus voces personalizadas con sus ids. Añade type=custom solo para listar voces personalizadas.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts elimina una voz personalizada, que libera su lugar de inmediato.
• En el Playground, pon Voz en Personalizado para usar una voz guardada de nuevo, copia su id o elimínala.
• Crear, listar y eliminar voces personalizadas no cobra nada.

Dirección de entrega

• instruction establece emoción, tono, carácter, ritmo y estilo de habla en lenguaje natural, hasta 1.000 caracteres.
• Las etiquetas en línea dentro del texto cambian la entrega desde ese punto, por ejemplo [excited] o [whispers], o añaden un sonido puntual como [laughing] o [sighing]. La lista completa de etiquetas está en el parámetro input.
• No se soporta entrada SSML.

Límites de entrada

• Hasta 10.000 caracteres por petición.
• language_hints sesga la pronunciación en textos de lengua mixta.

Producto

• MP3, WAV, PCM o Opus a 8.000 a 48.000 Hz.
• POST /v1/audio/speech:stream envía fragmentos de audio mientras se genera el habla.

Tiempo real

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts toma texto mientras aún se está escribiendo y devuelve el audio a medida que se genera. Envía input_text_buffer.append eventos, luego input_text_buffer.commit o session.finish para terminar la sesión.
• El audio llega en response.audio.delta eventos: PCM de 16 bits a 24.000 Hz por defecto, o MP3 u Opus. Configura la voz, la instrucción, el formato y otras opciones con session.update; se aplica un cambio a partir del siguiente segmento.
• El texto se pronuncia en segmentos que terminan en los límites de las frases, y cada segmento termina con un evento response.done que acompaña su uso.

Facturación

• Los tokens de entrada son el texto, y los tokens de salida son el audio generado a 12,5 tokens por segundo.
• La velocidad y el tono cambian la duración del audio renderizado, pero no los tokens facturados. Una instrucción que ralentiza la entrega añade tokens de salida.

Qwen Audio 3.1 TTS Next

Lo que hace

• Un archivo de audio terminado a partir de una descripción escrita: narración, diálogo, efectos de sonido, ambiente y música juntos.
• Describe cada voz, la forma de interpretar y los sonidos en input. No hay lista de voces.
• Chino e inglés.

Voces de fragmentos de referencia

• references puede tomar hasta 3 clips como URLs o URI de datos de audio base64, cada uno de hasta 30 segundos y 10 MB, en WAV, MP3 o OGG Opus.
• Nómbralos en input como @voice1, @voice2 y @voice3, en orden, por ejemplo: @voice1 cheerfully says: "What a lovely day."

Límites de entrada

• Hasta 3.000 caracteres por petición.
• instruction y SSML no se usan: todas las direcciones van en input.

Producto

• MP3 (por defecto), WAV o PCM entre 8.000 y 48.000 Hz, mono o estéreo; los valores por defecto son 48.000 Hz y estéreo.
• Hasta 120 segundos por petición, o 240 segundos para un podcast.
• Un archivo completo por solicitud. Este modelo no se transmite.

Facturación

• Los tokens de entrada son la descripción más cada clip de referencia. Los tokens de salida son el audio generado, aproximadamente 200 por segundo.

Cómo llamar a Qwen Audio 3.1 TTS y Qwen Audio 3.1 TTS Next

Qwen Audio 3.1 TTS genera voz a través de POST /v1/audio/speech y devuelve audio reproducible. Envía el texto a pronunciar como input con el id de modelo qwen-audio-3-1-tts. Ambos modelos se llaman a través del mismo endpoint. Establece model en qwen-audio-3-1-tts o qwen-audio-3-1-tts-next. Consigue una clave de API en el panel de EmpirioLabs.

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.mp3

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: preguntas frecuentes

¿Cuál es la diferencia entre Qwen Audio 3.1 TTS y Qwen Audio 3.1 TTS Next?

Ambos modelos se lanzaron el 23 sept 2026. Qwen Audio 3.1 TTS devuelve hasta 60.000 tokens de salida por respuesta; Qwen Audio 3.1 TTS Next, hasta 50.000. Tipos de entrada que solo acepta Qwen Audio 3.1 TTS Next: Audio. Las especificaciones, las tablas de tarifas y los parámetros de esta página provienen del catálogo en vivo de EmpirioLabs.

¿Cuál tiene la tarifa más baja, Qwen Audio 3.1 TTS o Qwen Audio 3.1 TTS Next?

Qwen Audio 3.1 TTS tiene la tarifa más baja para Entrada (por 1M de tokens de prompt). Qwen Audio 3.1 TTS Next tiene la tarifa más baja para Salida (por 1M de tokens generados). Las dos tablas de tarifas en vivo están en esta página y siempre coinciden con lo que cobra la API.

¿Puedo cambiar entre Qwen Audio 3.1 TTS y Qwen Audio 3.1 TTS Next sin reconstruir mi integración?

Sí. Ambos modelos usan POST /v1/audio/speech con la misma clave de API de EmpirioLabs, así que la mayoría de las integraciones cambian con solo modificar el valor model. Revisa antes la tabla de parámetros de esta página si dependes de un parámetro específico de un modelo.