Synthèse vocale en paliers avec plus de 1 000 voix, 16 langues, 20 dialectes chinois, une direction de transmission en langue naturelle et des balises émotionnelles en ligne.
Alibaba CloudProduction audioPublié 20 juil. 2026SingaporeEndpoint propriétaireSynthèse vocale en paliers avec plus de 1 000 voix, 16 langues, 20 dialectes chinois, une direction de transmission en langue naturelle et des balises émotionnelles en ligne.
La sélection vocale est consciente des niveaux: les identifiants vocaux de base fonctionnent sur les deux niveaux et sont automatiquement associés à la model_tier sélectionnée, tandis que les six voix système sont verrouillées à un seul niveau. La hauteur de hauteur modifie aussi le rythme de l’audio rendu, donc associez-le à la vitesse si vous voulez préserver la durée initiale.
Aussi connu sous le nom Qwen Audio TTS, Alibaba Cloud Qwen Audio 3.0 TTS
qwen-audio-3-0-tts/v1/audio/speechPOST/v1/audio/speech:streamGET/v1/voicesqwen-audio-3.0-ttsalibaba/qwen-audio-3-0-ttsqwen-audio-3.0-tts-plusqwen-audio-3.0-tts-flashTarifs à l'usage en direct du catalogue EmpirioLabs. Vous ne payez que ce que vous utilisez, sans minimum mensuel.
Qwen Audio 3.0 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-3-0-tts. 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-3-0-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-3-0-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)Paramètres de requête pris en charge par l'API Qwen Audio 3.0 TTS sur EmpirioLabs. Les valeurs par défaut s'appliquent quand un champ est omis.
| Paramètre | Type | Par défaut | Plage / valeurs | Description |
|---|---|---|---|---|
| input | string | - | max 20000 | Texte à synthèse. Jusqu’à 20 000 caractères par demande. Prend en charge les balises d’expression en ligne placées directement dans le texte, par exemple [excité],... |
| model_tier | enum | plus | plus, flash | En plus: la meilleure qualité audio et expressivité, idéal pour la création de contenu, les livres audio, le doublage et le doublage de marque. Flash: Réglé pour une... |
| voice | enum | loongjameszhao | loongjameszhao, loongolivialin, loonglunawang, loongnorahu, l... | Préréglage de voix. Les voix de base fonctionnent sur LES DEUX niveaux, donc changer model_tier garde votre choix. Six voix phares sont verrouillées par un niveau:... |
| voice_id | string | - | - | Id de voix libre, qui remplace la voix une fois réglé. Accepte toute voix de base de GET /v1/voices, soit comme ID nue (recommandé, fonctionne sur les deux niveaux),... |
| response_format | enum | mp3 | mp3, wav, pcm, opus | conteneur audio. MP3 et Opus sont compressés, WAV est PCM non compressé dans un en-tête RIFF, et PCM est des échantillons bruts sans en-tête pour la lecture en blocs. |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000, 44100, 48000 | La fréquence d’échantillonnage de sortie en Hz. 24000 convient à la lecture vocale, et 48000 offre une sortie de qualité diffusion à une taille de fichier plus grande. |
| speed | number | 1 | 0.5 à 2 | Multiplicateur de débit de parole. 0,5 est la moitié de la vitesse et le 2,0 est la vitesse double. |
| pitch | number | 1 | 0.5 à 2 | Multiplicateur de hauteur. Les valeurs inférieures à 1,0 font baisser la voix et les valeurs au-dessus l’augmentent. La hauteur de hauteur change aussi le rythme de... |
| volume | integer | 50 | 0 à 100 | Loudness de sortie, où 50 est le niveau de référence. |
| instruction | string | - | max 128 | Mise en scène en langage naturel pour la diffusion, jusqu’à 128 caractères. Contrôle l’émotion, le ton, le caractère, le rythme et le style de parler, par exemple «... |
| language_hints | array | - | zh, en | Des codes linguistiques qui biaisent la prononciation pour un texte mixte, par exemple [« zh », « en »]. Laissez non réglé pour laisser le modèle détecter le langage. |
| seed | integer | 0 | 0 à 65535 | Échantillonnage de graines. Réutilisez une graine avec les mêmes entrées et paramètres pour un rendu reproductible. |
| bit_rate | integer | 32000 | 16000 à 64000 | Débit binaire de l’encodeur en bps. Cela ne concerne que le format Opus, et est ignoré pour mp3, wav et pcm. |
| pronunciation | object | - | - | La prononciation prend le dessus selon la forme écrite, par exemple {"重要 »: « zhong4 yao4"}. Utilisez-le pour fixer des noms, des acronymes et des homographes. |
Sur EmpirioLabs, Qwen Audio 3.0 TTS est facturé à l'usage : Synthèse plus $0.20 par 10 000 caractères; Synthèse flash $0.15 par 10 000 caractères. La grille tarifaire en direct de cette page correspond toujours à ce que l'API facture.
Qwen Audio 3.0 TTS est servi via POST /v1/audio/speech sur api.empiriolabs.ai avec une authentification standard par token Bearer.
Oui. Le playground EmpirioLabs exécute Qwen Audio 3.0 TTS dans le navigateur avec les mêmes paramètres que l'API expose, pour tester vos prompts avant d'écrire du code.
Créez un compte EmpirioLabs, puis générez une clé sous API Keys dans le tableau de bord. La facturation utilise des crédits à l'usage : vous ne payez que vos requêtes.
Consultez nos tarifs ou contactez-nous si vous souhaitez que votre propre modèle soit déployé sur notre stack.
