Síntesis de voz en tiempo real con 19 voces, dirección de entrega en lenguaje sencillo, etiquetas de emoción y sonido en línea, y audio transmitido por SSE o WebSocket.
Alibaba CloudGeneración de audioLanzado 23 sept 2026SingaporeEndpoint propietarioNuevoSíntesis de voz en tiempo real con 19 voces, dirección de entrega en lenguaje sencillo, etiquetas de emoción y sonido en línea, y audio transmitido por SSE o WebSocket.
Elige una de 19 voces con voz. Dirige la entrega con instrucciones y con etiquetas en línea dentro del texto. La velocidad y el tono cambian la longitud renderizada sin cambiar los tokens facturados.
También conocido como 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-ttsTarifas de pago por uso en vivo del catálogo de EmpirioLabs. Solo pagas por lo que usas, sin mínimo mensual.
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. 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.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)Parámetros de solicitud compatibles con la API de Qwen Audio 3.1 TTS en EmpirioLabs. Los valores por defecto se aplican cuando se omite un campo.
| Parámetro | Tipo | Predeterminado | Rango / valores | Descripción |
|---|---|---|---|---|
| input | string | - | máx. 10000 | Texto para sintetizar, hasta 10.000 caracteres por petición. Estas etiquetas en línea cambian la forma de comunicarse desde el momento en que aparecen: [triste],... |
| voice | enum | Emily_v3.1 | Emily_v3.1, Luna_v3.1, Eric_v3.1, Luca_v3.1, Abby_v3.1, Annie... | Preajuste de voz. Las 15 voces en inglés leen inglés, y las 4 voces multilingües leen chino, inglés y otros idiomas. Cada identificación de voz termina en _v3.1, por... |
| response_format | enum | mp3 | mp3, wav, pcm, opus | Contenedor de audio. MP3 y Opus están comprimidos, WAV es PCM sin comprimir en un encabezado RIFF, y PCM son muestras raw sin encabezado para reproducción en fragmentos. |
| sample_rate | enum | 24000 | 8000, 12000, 16000, 22050, 24000, 44100, 48000 | La frecuencia de muestreo de salida en Hz. 24000 es adecuada para la reproducción de voz, y 48000 ofrece salida de calidad de difusión con un tamaño de archivo mayor. |
| speed | number | 1 | 0.5 a 2 | Multiplicador de tasa de conversación. 0,5 es la mitad de la velocidad y el 2,0 es la doble velocidad. |
| pitch | number | 1 | 0.5 a 2 | Multiplicador de tono. Los valores por debajo de 1,0 bajan la voz y los valores por encima la elevan. El tono también cambia el ritmo del audio renderizado, así que... |
| volume | integer | 50 | 0 a 100 | Volumen de salida, donde 50 es el nivel de referencia. |
| instruction | string | - | máx. 1000 | Dirección en lenguaje natural para la interpretación, hasta 1.000 caracteres. Controla la emoción, el tono, el carácter, el ritmo y el estilo de habla, por ejemplo... |
| language_hints | array | - | zh, en, fr, de, ja, ko, ru, pt, th, id, vi, es, it, ms, fil, ar | Códigos de lenguaje que sesgan la pronunciación para textos mixtos, por ejemplo ["zh", "en"]. Deja sin configurar para que el modelo detecte el lenguaje. |
| seed | integer | 0 | 0 a 65535 | Muestreo de semillas. Reutiliza una semilla con la misma entrada y ajustes para un renderizado repetible. |
| bit_rate | integer | 32000 | 6000 a 510000 | Tasa de bits del codificador en bps. Se aplica solo al formato opus y se ignora para mp3, wav y pcm. |
| pronunciation | object | - | - | La pronunciación prevalece según la forma escrita, por ejemplo {"重要": "zhong4 yao4"}. Úsalo para corregir nombres, acrónimos y homógrafos. |
| replace | object | - | - | Sustituciones literales de texto aplicadas antes de la síntesis, por ejemplo {"EmpirioLabs": "Empirio Labs"}. Útil para nombres de marcas y abreviaturas. |
| enable_markdown_filter | boolean | false | - | Elimina la sintaxis de Markdown, como asteriscos y subrayos, antes de la síntesis para que los caracteres de formato no se lean en voz alta. |
En EmpirioLabs, Qwen Audio 3.1 TTS se factura por uso: Entrada $0.46 por 1M de tokens de prompt; Producto $3.74 por 1M de tokens generados. La tabla de tarifas en vivo de esta página siempre coincide con lo que cobra la API.
Qwen Audio 3.1 TTS se sirve a través de POST /v1/audio/speech en api.empiriolabs.ai con autenticación estándar de token Bearer.
Abre el playground de EmpirioLabs y pulsa Start session para probarlo en tu navegador. Qwen Audio 3.1 TTS funciona sobre un WebSocket en lugar de una petición y una respuesta, así que para integrarlo empieza por la guía rápida de voz en tiempo real. Conéctate desde tu servidor con tu clave de API de EmpirioLabs y el id de modelo qwen-audio-3-1-tts, y luego transmite audio en ambos sentidos.
Crea una cuenta de EmpirioLabs y genera una clave en API Keys en el panel. La facturación es con créditos de pago por uso, así que solo pagas por las solicitudes que haces.
Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.
