Comment utiliser l’API Qwen Audio 3.1 TTS

Qwen Audio 3.1 TTS est disponible sur EmpirioLabs. C’est le modèle de synthèse vocale en temps réel d’Alibaba, avec 19 voix, une livraison que vous dirigez en langage clair, et des balises en ligne qui modifient l’émotion ou ajoutent un son en plein milieu d’une phrase. Il renvoie un fichier audio fini APRÈS /v1/audio/speech ou diffuse l’audio tel qu’il est généré via APRÈS /v1/audio/speech:stream, dans l’API et dans le Playground, et via l’API en temps réel, il parle du texte pendant que le texte est encore en cours d’écriture.

Regardez le film de lancement

Chaque voix du film est une vraie sortie Qwen Audio 3.1 TTS: Brian a réalisé en langage clair en tant que narrateur de bande-annonce, puis Cindy, Ava et Andy avec des tags excités, chuchotés et rieurs. Les images sont des sorties Qwen Image 2.1, et la musique a été générée par ACE-Step sur EmpirioLabs. Regardez-le sur YouTube.

Voix et langues

Voix anglaises. Quinze voix parlent anglais. Emily, Luna, Eric et Luca ont des accents britanniques. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian et David ont des accents américains.

Voix multilingues. longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1, et xunanchuan_v3.1 lisez le chinois, l’anglais et d’autres langues.

Des indices de langage. Pour le texte qui mélange les langues, language_hints prend un ensemble de codes langageux, tels que [« en », « zh »], pour guider la prononciation. Seize codes sont pris en charge, notamment en, zh, Ja, Ko, fr, de, es, et AR.

Votre première demande

curl https://api.empiriolabs.ai/v1/audio/speech \ -H « Autorisation: Porteur $EMPIRIOLABS_API_KEY » \ -H « Type-Contenu: application/json » \ -d '{ « modèle »: « qwen-audio-3-1-tts », « entrée »: « [excité]Nous avons atteint notre date de lancement ![ rires] Merci à tous pour ces nuits tardives. », « voix »: « Ava_v3.1 », « instruction »: « Chaleureux et enjoué, comme un chef d’équipe partageant de bonnes nouvelles », « response_format »: « mp3 », « sample_rate »: 24000 } »

La réponse porte une URL vers l’audio généré. La sortie est MP3, WAV, PCM ou Opus entre 8 000 et 48 000 Hz. Vitesse, Hauteur, Volume, et Seed sont ajustables, Prononciation et remplacer fixer les noms, acronymes et noms de marque, et enable_markdown_filter empêche les caractères de formatage d’être lus à voix haute.

Diriger la prestation

• Instruction. Enseignement définit l’émotion, le ton, le caractère, le rythme et le style de parole pour tout le passage, jusqu’à 1 000 caractères.
• Tags de livraison. Une étiquette telle que [excité], [chuchote], [sérieux], ou [très lentement] modifie la livraison à partir du point d’apparition.
• Des balises sonores. Une étiquette telle que [rire], [soupir], [halètement], ou [dégage la gorge] ajoute un son à usage unique. La liste complète des tags se trouve sur le Entrée dans la référence API.

Streaming

APRÈS /v1/audio/speech:stream prend le même corps et renvoie les Événements Envoyés par le Serveur. Chacun audio.chunk Event diffuse un morceau audio base64 audio_b64, dans le format et le taux d’échantillonnage demandés. Un examen final audio.done l’événement porte l’URL du fichier complet, sa durée et son utilisation, suivi de [FAIT].

Temps réel: prononcer le texte pendant qu’il est écrit

Via l’API Realtime, Qwen Audio 3.1 TTS prononce le texte pendant que le texte est encore en arrivée, par exemple la réponse d’un modèle de langage pendant qu’il diffuse. Ouvrir un WebSocket pour WSS://api.empiriolabs.ai/v1/realtime ?model=qwen-audio-3-1-tts avec votre clé API dans le Autorisation en-tête, envoyer un texte avec input_text_buffer.append dans des morceaux de n’importe quelle taille, et l’audio de chacun response.audio.delta événement.

{"type »: « session.update », « session »: {"voice »: « Ava_v3.1 », « instruction »: « Chaleureux, comme un animateur radio nocturne"}} {"type »: « input_text_buffer.append », « texte »: « Bonsoir, « } {"type »: « input_text_buffer.append », « texte »: « et bienvenue dans l’édition tardive."} {"type »: « session.finish"}

• Envoi de texto. input_text_buffer.commit parle de tout ce qu’il a envoyé jusqu’ici. session.fin dit la suite et termine la séance par session.terminé.
• Audio et réglages. L’audio est par défaut en PCM 16 bits à 24 000 Hz. session.update définit la voix, l’instruction, le format (PCM, mp3, ou Œuvre), taux d’échantillonnage, et les autres réglages de la parole, en commençant par le segment suivant.
• Segments. Le texte est prononcé en segments qui se terminent aux limites des phrases, et chaque segment se termine par un response.done événement qui porte son usage. Un segment se termine également après 8 secondes sans nouveau texte.
• Pages web. Un navigateur se connecte à un secret client de courte durée depuis APRÈS /v1/realtime/client_secrets, donc votre clé API reste sur votre serveur.

Le Guide en temps réel possède un client Python complet et la référence d’événement.

Notes opérationnelles

• Chaque voix se termine par _v3.1. Un nom brut comme Emily, ou un Qwen Audio 3.0 TTS voice id, est rejeté avec la liste des 19 identifiants valides. Utilisation Emily_v3.1.
• Le SSML n’est pas pris en charge. Envoyer du texte clair. Utiliser Enseignement pour la livraison globale et les tags en ligne pour les modifications dans le texte.
• Jusqu’à 10 000 caractères par demande. Divisez les scripts plus longs sur plusieurs requêtes.

Prix

Facturation de jetons. Qwen Audio 3.0 TTS facture par caractère; Qwen Audio 3.1 TTS facture des jetons. Le texte que vous envoyez est facturé comme des jetons d’entrée, et l’audio généré comme des jetons de sortie à 12,5 jetons par seconde d’audio, et une session en temps réel facture chaque segment de la même manière. Le Vitesse et Hauteur les réglages modifient la longueur de l’audio mais pas les jetons facturés, tandis qu’une instruction qui ralentit la livraison ajoute des jetons de sortie. Les débits actuels sont sur le page modèle et les page de prix.

Commencez à construire

Essayez Qwen Audio 3.1 TTS dans le Terrain de jeu, où le sélecteur vocal et chaque paramètre sont des contrôles en direct, et lisent le Documentation API pour la référence complète des paramètres.

Divulgation: Cet article a été rédigé avec l'aide d'AI et examiné par EmpirioLabs AI.