Qwen ऑडियो 3.1 TTS नेक्स्ट एपीआई का उपयोग कैसे करें

क्वेन ऑडियो 3.1 टीटीएस नेक्स्ट EmpirioLabs पर उपलब्ध है। यह अलीबाबा का ऑडियो जनरेशन मॉडल है। सरल भाषा में एक दृश्य का वर्णन करें, जिसमें कौन बोलता है, वे क्या कहते हैं, वे कैसे बजते हैं, और उनके आस-पास क्या सुना जा सकता है, और यह कथन, संवाद, ध्वनि प्रभाव, माहौल और संगीत के साथ एक समाप्त ऑडियो फ़ाइल लौटाता है। यह चलता है पोस्ट /v1/audio/speech, एपीआई में और Playground में।

देखिए लॉन्च फिल्म

फिल्म में हर ध्वनि एक वास्तविक क्वेन ऑडियो 3.1 टीटीएस अगला आउटपुट है, एक लिखित विवरण से प्रत्येक दृश्य: बारिश में एक रात का बाजार, आधी रात को एक प्रेतवाधित दालान, और एक कैम्प फायर द्वारा एक गीत। चित्र क्वेन इमेज 2.1 आउटपुट हैं, और स्कोर EmpirioLabs पर एसीई-स्टेप द्वारा उत्पन्न किया गया था। इसे YouTube पर देखें।.

यह Qwen Audio 3.1 TTS से कैसे भिन्न है

क्वेन ऑडियो 3.1 टीटीएस 19 प्रीसेट आवाज़ों में से एक में आपके टेक्स्ट को ज़ोर से पढ़ता है और इसे उत्पन्न होने पर स्ट्रीम कर सकता है। क्वेन ऑडियो 3.1 टीटीएस नेक्स्ट में कोई आवाज सूची नहीं है: आप प्रत्येक आवाज का वर्णन करते हैं इनपुट या इसे एक संदर्भ क्लिप से क्लोन करें, और वही विवरण ध्वनि प्रभाव, माहौल और संगीत जोड़ता है। एक निश्चित आवाज में लिखे गए पाठ को पढ़ने के लिए Qwen ऑडियो 3.1 TTS का उपयोग करें, और Qwen ऑडियो 3.1 TTS अगला जब परिणाम एक निर्मित दृश्य हो।

आपका पहला अनुरोध

कर्ल https://api.empiriolabs.ai/v1/audio/speech \ -एच "प्राधिकरण: वाहक $EMPIRIOLABS_एपीआई_की" \ -एच "सामग्री-प्रकार: application/json" \ -d '{ "मॉडल": "qwen-audio-3-1-tts-next", "इनपुट": "एक शांत महिला कथावाचक कहती है: \"हर सुबह, शहर के आने से पहले बंदरगाह जागता है।

प्रतिक्रिया में जेनरेट किए गए ऑडियो के लिए एक यूआरएल होता है, डिफ़ॉल्ट रूप से स्टीरियो में 3 हर्ट्ज पर एमपी 48,000। response_format यह भी लेता है लहर या पीसीएम, sample_rate 8,000 से 48,000 हर्ट्ज लेता है, और चैनल मोनो के लिए 1 या स्टीरियो के लिए 2 लेता है। रफ़्तार, आयतन, और बीज समायोज्य हैं, bit_rate एक स्थिर एमपी 3 बिटरेट सेट करता है, और वॉटरमार्क AI-जनरेटेड कंटेंट वॉटरमार्क जोड़ता है।

विवरण लिखना

• आवाज़ें। प्रत्येक वक्ता का वर्णन करें, जैसे कि एक शांत महिला कथावाचक या एक उत्साहित बच्चा, और प्रत्येक बोली जाने वाली पंक्ति को उद्धरण चिह्नों में रखें।
• वितरण। कहें कि प्रत्येक पंक्ति कैसे बोली जाती है, उदाहरण के लिए फुसफुसाती है, गर्मजोशी से जवाब देती है, या खुशी से कहती है।
• ध्वनि। एक ही पाठ में ध्वनि प्रभाव, माहौल और संगीत जोड़ें, जैसे कि खिड़की पर बारिश का दोहन या पृष्ठभूमि में नरम पियानो।
• भाषाओं। चीनी और अंग्रेजी।
• लंबाई। प्रति अनुरोध 3,000 वर्ण तक और 120 सेकंड तक का ऑडियो, या पॉडकास्ट के लिए 240 सेकंड।

संदर्भ क्लिप से आवाज़ें

संदर्भ URL या base64 ऑडियो डेटा URI के रूप में तीन क्लिप लेता है, प्रत्येक 30 सेकंड और 10 MB तक, WAV, MP3, या OGG Opus में। उन्हें इसमें नाम दें इनपुट जैसा @voice1, @voice2, और @voice3, जिस क्रम में आप उन्हें भेजते हैं। दो क्लिप दो-आवाज संवाद बनाते हैं:

कर्ल https://api.empiriolabs.ai/v1/audio/speech \ -एच "प्राधिकरण: वाहक $EMPIRIOLABS_एपीआई_की" \ -एच "सामग्री-प्रकार: application/json" \ -डी '{ "मॉडल": "qwen-audio-3-1-tts-next", "संदर्भ": ["https://example.com/visitor.mp3", "https://example.com/bookseller.mp3"], "इनपुट": "एक शांत किताबों की दुकान में, @voice1 फुसफुसाते हैं: \"क्या आपने नई कविता शेल्फ देखी है?\" @voice2 गर्मजोशी से उत्तर देता है: \"मैंने इसे आज सुबह स्थापित किया है। पर्याप्त समय लो। \" एक पृष्ठ मुड़ता है, और खिड़की पर बारिश होती है। ", "response_format": "wav", "sample_rate": 24000, "चैनल": 1 }'

परिचालन नोट्स

• सभी दिशा अंदर जाती है इनपुट।. के साथ एक अनुरोध शिक्षण-प्रशिक्षण या एसएसएमएल के साथ 400 के साथ खारिज कर दिया जाता है जो ऐसा कहता है।
• हर @voice इसकी क्लिप की जरूरत है। @voice2 में इनपुट में कम से कम दो क्लिप की आवश्यकता है संदर्भ; अन्यथा अनुरोध अस्वीकार कर दिया जाता है।
• कोई पूर्व निर्धारित आवाज नहीं। आवाज स्वीकार किया जाता है इसलिए OpenAI-संगत क्लाइंट अपरिवर्तित काम करते हैं, और इसका कोई प्रभाव नहीं पड़ता है। में आवाज का वर्णन करें इनपुट।.
• प्रति अनुरोध एक पूर्ण फ़ाइल। यह मॉडल स्ट्रीम नहीं होता है, और पोस्ट /v1/audio/speech:stream 400 लौटाता है। एक छोटी क्लिप में लगभग 15 से 40 सेकंड लगते हैं, इसलिए क्लाइंट को लंबे दृश्यों के लिए कई मिनटों का टाइमआउट दें।
• प्रारूप। एमपी3, डब्ल्यूएवी और पीसीएम। ओपस की पेशकश नहीं की जाती है।

मूल्य निर्धारण

टोकन बिलिंग। इनपुट टोकन विवरण और प्रत्येक संदर्भ क्लिप को कवर करते हैं, और आउटपुट टोकन जेनरेट किए गए ऑडियो को कवर करते हैं, लगभग 200 प्रति सेकंड। संदर्भ क्लिप के साथ एक अनुरोध उनके बिना एक ही विवरण की तुलना में अधिक इनपुट टोकन बिल करता है। वर्तमान दरें पर हैं मॉडल पेज और मूल्य निर्धारण पृष्ठ।.

निर्माण शुरू करें

Qwen ऑडियो 3.1 TTS नेक्स्ट में आज़माएं खेल का मैदान, जहां प्रत्येक पैरामीटर एक लाइव नियंत्रण है, और पढ़ें एपीआई दस्तावेज़ीकरण पूर्ण पैरामीटर संदर्भ के लिए।

प्रकटीकरण: यह लेख एआई सहायता के साथ लिखा गया था और EmpirioLabs AI द्वारा समीक्षा की गई थी।.