Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next en un coup d'œil

Qwen Audio 3.1 TTS et Qwen Audio 3.1 TTS Next sont deux modèles Alibaba Cloud de la catégorie Production audio, disponibles via l'API EmpirioLabs.

Différences clés

• Les deux modèles sont sortis le 23 sept. 2026.
• Qwen Audio 3.1 TTS renvoie jusqu'à 60 000 tokens de sortie par réponse, Qwen Audio 3.1 TTS Next jusqu'à 50 000.
• Types d'entrée acceptés uniquement par Qwen Audio 3.1 TTS Next : Audio.
• Capacités indiquées uniquement pour Qwen Audio 3.1 TTS : multilingual, expressive prosody, emotion control, voice tags, low latency, streaming.
• Capacités indiquées uniquement pour Qwen Audio 3.1 TTS Next : audio generation, multi speaker, sound effects, podcast.
• Qwen Audio 3.1 TTS affiche le tarif le plus bas pour Entrée (par 1M de jetons d’invite).
• Qwen Audio 3.1 TTS Next affiche le tarif le plus bas pour Sortie (par 1M de jetons générés).

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next : caractéristiques

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next : tarifs de l'API

Tarifs en direct du catalogue EmpirioLabs pour les deux modèles. Chaque grille tarifaire correspond toujours à ce que l'API facture.

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next : paramètres de l'API

Paramètres de requête indiqués pour chaque modèle sur EmpirioLabs, avec les valeurs autorisées ou la plage le cas échéant. Un tiret signale un paramètre que le modèle n'indique pas.

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next : limites et notes

Qwen Audio 3.1 TTS

Voix

• 19 voix: 15 voix anglaises et 4 voix multilingues. 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. Les voix multilingues longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 et xunanchuan_v3.1 lisent le chinois, l’anglais et d’autres langues.
• Chaque identification vocale se termine par _v3.1, par exemple Emily_v3.1.

Voix personnalisées

• Réglez voice sur custom et passez voice_audio_url, une URL https à 10 à 20 secondes de parole claire d’un haut-parleur.
• WAV, MP3, M4A, OGG, WEBM et FLAC sont acceptés, jusqu’à 15 Mo. Enregistrez dans une pièce calme, sans musique ni autres voix.
• La réponse inclut voice_id et voice_id_expires_at. Passez le voice_id comme voice de réutiliser la voix pendant 7 jours, sur POST /v1/audio/speech, POST /v1/audio/speech:stream ou le socket en temps réel, où session.update prend les mêmes champs et session.updated retourne le voice_id. Seul le compte qui l’a créé peut l’utiliser.
• Chaque compte peut contenir 10 voix personnalisées sur ce modèle à la fois.
• GET /v1/voices?model=qwen-audio-3-1-tts liste les voix du modèle, y compris vos voix personnalisées avec leurs identifiants. Ajoutez type=custom pour lister uniquement les voix personnalisées.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts supprime une voix personnalisée, ce qui libère sa place immédiatement.
• Dans le Playground, mettez Voix sur Personnalisé pour réutiliser une voix enregistrée, copiez son identifiant ou supprimez-la.
• Créer, lister et supprimer des voix personnalisées n’a aucun frais.

Direction de la livraison

• instruction définit l’émotion, le ton, le caractère, le rythme et le style de parole dans un langage naturel, jusqu’à 1 000 caractères.
• Les balises en ligne à l’intérieur du texte modifient la diffusion à partir de ce point, par exemple [excited] ou [whispers], ou ajoutent un son ponctuel comme [laughing] ou [sighing]. La liste complète des balises se trouve sur le paramètre input.
• L’entrée SSML n’est pas prise en charge.

Limites d’entrée

• Jusqu’à 10 000 caractères par demande.
• language_hints biaise la prononciation des textes en langue mixte.

Produit

• MP3, WAV, PCM ou Opus entre 8 000 et 48 000 Hz.
• POST /v1/audio/speech:stream envoie des extraits audio pendant que la voix est générée.

Temps réel

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts prend du texte pendant qu’il est encore en cours d’écriture et renvoie l’audio au fur et à mesure qu’il est généré. Envoyez input_text_buffer.append événements, puis input_text_buffer.commit, ou session.finish pour terminer la session.
• L’audio arrive en response.audio.delta événements: PCM 16 bits à 24 000 Hz par défaut, ou MP3 ou Opus. Définissez la voix, l’instruction, le format et les autres options avec session.update; un changement s’applique à partir du segment suivant.
• Le texte est prononcé en segments qui se terminent aux limites des phrases, et chaque segment se termine par un événement response.done portant son usage.

Facturation

• Les jetons d’entrée sont le texte, et les jetons de sortie sont l’audio généré à 12,5 jetons par seconde.
• La vitesse et la hauteur changent la longueur de l’audio rendu mais pas celle des jetons facturés. Une instruction qui ralentit la livraison ajoute des jetons de sortie.

Qwen Audio 3.1 TTS Next

Ce que ça fait

• Un fichier audio terminé à partir d’une description écrite: narration, dialogues, effets sonores, ambiance et musique ensemble.
• Décrivez chaque voix, la façon dont il est prononcé et les sons dans input. Il n’y a pas de liste vocale.
• Chinois et anglais.

Voix issues de clips de référence

• references prend jusqu’à 3 clips en tant qu’URL ou URI de données audio base64, chacun jusqu’à 30 secondes et 10 Mo, en WAV, MP3 ou OGG Opus.
• Nommez-les en input @voice1, @voice2 et @voice3, dans l’ordre, par exemple: @voice1 cheerfully says: "What a lovely day."

Limites d’entrée

• Jusqu’à 3 000 caractères par demande.
• instruction et SSML ne sont pas utilisés: toutes les directions vont en input.

Produit

• MP3 (par défaut), WAV ou PCM de 8 000 à 48 000 Hz, mono ou stéréo; les paramètres par défaut sont 48 000 Hz et stéréo.
• Jusqu’à 120 secondes par demande, ou 240 secondes pour un podcast.
• Un fichier complet par requête. Ce modèle ne diffuse pas de données.

Facturation

• Les jetons d’entrée sont la description ainsi que chaque clip de référence. Les jetons de sortie sont l’audio généré, environ 200 par seconde.

Comment appeler Qwen Audio 3.1 TTS et Qwen Audio 3.1 TTS Next

Qwen Audio 3.1 TTS génère la voix via POST /v1/audio/speech et renvoie de l'audio lisible. Envoyez le texte à prononcer dans input avec l'id de modèle qwen-audio-3-1-tts. Les deux modèles s'appellent via le même endpoint. Définissez model sur qwen-audio-3-1-tts ou qwen-audio-3-1-tts-next. Obtenez une clé API depuis le tableau de bord 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 : questions fréquentes

Quelle est la différence entre Qwen Audio 3.1 TTS et Qwen Audio 3.1 TTS Next ?

Les deux modèles sont sortis le 23 sept. 2026. Qwen Audio 3.1 TTS renvoie jusqu'à 60 000 tokens de sortie par réponse, Qwen Audio 3.1 TTS Next jusqu'à 50 000. Types d'entrée acceptés uniquement par Qwen Audio 3.1 TTS Next : Audio. Les caractéristiques, les grilles tarifaires et les paramètres de cette page proviennent du catalogue EmpirioLabs en direct.

Lequel a le tarif le plus bas, Qwen Audio 3.1 TTS ou Qwen Audio 3.1 TTS Next ?

Qwen Audio 3.1 TTS affiche le tarif le plus bas pour Entrée (par 1M de jetons d’invite). Qwen Audio 3.1 TTS Next affiche le tarif le plus bas pour Sortie (par 1M de jetons générés). Les deux grilles tarifaires en direct sont sur cette page et correspondent toujours à ce que l'API facture.

Puis-je passer de Qwen Audio 3.1 TTS à Qwen Audio 3.1 TTS Next sans reconstruire mon intégration ?

Oui. Les deux modèles utilisent POST /v1/audio/speech avec la même clé API EmpirioLabs : la plupart des intégrations basculent en changeant la valeur model. Vérifiez d'abord le tableau des paramètres de cette page si vous dépendez d'un paramètre propre à un modèle.