क्वेन ऑडियो 3.1 टीटीएस प्लस एपीआई का उपयोग कैसे करें

क्वेन ऑडियो 3.1 टीटीएस प्लस EmpirioLabs पर उपलब्ध है। यह अलीबाबा के क्वेन ऑडियो 3.1 स्पीच सिंथेसिस का क्वालिटी टियर है, जो 4 बहुभाषी आवाजों के साथ कथन, डबिंग, ऑडियोबुक और ब्रांड आवाज़ों के लिए बनाया गया है, आपको सादे भाषा में सीधे डिलीवरी, इनलाइन टैग जो भावनाओं को बदलते हैं या मध्य-वाक्य में ध्वनि जोड़ते हैं, और एक छोटी रिकॉर्डिंग से वॉयस क्लोनिंग। यह एक तैयार ऑडियो फ़ाइल के माध्यम से लौटाता है पोस्ट /v1/audio/speech, ऑडियो स्ट्रीम करता है क्योंकि यह के माध्यम से उत्पन्न होता है पोस्ट /v1/audio/speech:stream, और रीयलटाइम एपीआई पर टेक्स्ट बोलता है जबकि टेक्स्ट अभी भी लिखा जा रहा है।

देखिए लॉन्च फिल्म

फिल्म में हर आवाज एक वास्तविक क्वेन ऑडियो 3.1 टीटीएस प्लस आउटपुट है: जू नानचुआन ने ट्रेलर कथावाचक के रूप में सरल भाषा में निर्देशन किया, फिर एक उत्साहित टैग के साथ लॉन्ग एन हुआन, मंदारिन में लॉन्ग एन फेंग्यू, और हंसने वाले टैग के साथ लॉन्ग एन लिंगक्सिन। तस्वीरें क्वेन इमेज 2.1 आउटपुट हैं, और स्कोर EmpirioLabs पर एसीई-स्टेप द्वारा उत्पन्न किया गया था। इसे YouTube पर देखें।.

प्लस या फ्लैश

क्वेन ऑडियो 3.1 टीटीएस फ्लैश टियर है, जिसे 19 आवाजों और टोकन बिलिंग के साथ कम-विलंबता वाली आवाज इंटरैक्शन के लिए बनाया गया है। टीटीएस प्लस ऑडियो गुणवत्ता, स्वाभाविकता और अभिव्यंजक विवरण को पहले रखता है, इसकी अपनी 4 आवाजें हैं, और प्रति चरित्र बिल हैं। दोनों एक ही अनुरोध निकाय, एक ही वितरण दिशा, और एक ही स्ट्रीमिंग और रीयलटाइम इंटरफेस लेते हैं, इसलिए उनके बीच घूमना मॉडल और आवाज का परिवर्तन है।

आवाजें

सभी चार आवाज़ें चीनी, अंग्रेजी और अन्य भाषाएँ पढ़ती हैं। longanlingxin_v3.1, longanhuan_v3.1, और longanfengyue_v3.1 महिलाएं हैं, और xunanchuan_v3.1 पुरुष है। ऐसे पाठ के लिए जो भाषाओं को मिलाता है, language_hints भाषा कोड की एक सरणी लेता है, जैसे ["एन", "zh"], उच्चारण का मार्गदर्शन करने के लिए।

आपका पहला अनुरोध

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-plus", "इनपुट": "संग्रह को चालीस वर्षों के लिए सील कर दिया गया था। फुसफुसाते हुए] आज रात, किसी ने इसे खोला। ", "आवाज": "xunanchuan_v3.1", "निर्देश": "एक वृत्तचित्र कथावाचक, कम और मापा गया, शांत रहस्य का निर्माण", "response_format": "एमपी 3", "sample_rate": 24000 }'

प्रतिक्रिया उत्पन्न ऑडियो के लिए एक URL ले जाती है। आउटपुट MP3, WAV, PCM, या ओपस 8,000 से 48,000 हर्ट्ज पर है। रफ़्तार, पिच, आयतन, और बीज समायोज्य हैं, और उच्चारण तथा बदलें नाम, परिवर्णी शब्द और ब्रांड नाम ठीक करें।

वितरण का निर्देशन

• शिक्षण-प्रशिक्षण। शिक्षण-प्रशिक्षण पूरे मार्ग के लिए भावना, स्वर, चरित्र, गति और बोलने की शैली निर्धारित करता है, 1,000 वर्णों तक।
• वितरण टैग। एक टैग जैसे [उत्साहित], [फुसफुसाते हुए], या [गंभीर] डिलीवरी को उस बिंदु से बदलता है जहां यह दिखाई देता है।
• ध्वनि टैग। एक टैग जैसे [हस रहा] या [आहें भरते हुए] एक बार की ध्वनि जोड़ता है। टैग की पूरी सूची पर है इनपुट पैरामीटर API संदर्भ में।

आवाज की क्लोनिंग

सेट आवाज सेवा मेरे रिवाजसफल होना voice_audio_url, एक स्पीकर से 10 से 20 सेकंड के स्पष्ट भाषण के लिए एक HTTPS URL, और सेट voice_consent सेवा मेरे सच यह पुष्टि करने के लिए कि आपके पास स्पीकर की अनुमति है। WAV, MP3, M4A, OGG, WEBM, और FLAC 15 MB तक स्वीकार किए जाते हैं।

{ "मॉडल": "qwen-audio-3-1-tts-plus", "इनपुट": "वापस आपका स्वागत है। यहाँ इस सप्ताह क्या बदल गया है। ", "आवाज": "कस्टम", "voice_audio_url": "https://example.com/host-sample.wav", "voice_consent": सच }

प्रतिक्रिया में एक शामिल है voice_id तथा voice_id_expires_at. पास करें voice_id जैसा आवाज अगले 7 दिनों के लिए, या तो भाषण समापन बिंदु पर या रीयलटाइम सत्र में। एक खाते में एक समय में इस मॉडल पर अधिकतम 10 कस्टम आवाज़ें होती हैं।

स्ट्रीमिंग और रीयलटाइम

पोस्ट /v1/audio/speech:stream एक ही बॉडी लेता है और सर्वर-भेजे गए ईवेंट लौटाता है: ऑडियो.चंक में base64 ऑडियो वाले ईवेंट audio_b64, तो ऑडियो.डन पूरी फ़ाइल के URL के साथ, इसकी अवधि और उपयोग।

रीयलटाइम एपीआई पर, खोलें wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts-plus, के साथ पाठ भेजें input_text_buffer.append किसी भी आकार के टुकड़ों में, और प्रत्येक से ऑडियो चलाएं प्रतिक्रिया.ऑडियो.डेल्टा घटना। session.update आवाज, निर्देश और प्रारूप सेट करता है, और session.finish बाकी बोलता है और सत्र समाप्त करता है। द रीयलटाइम गाइड एक पूर्ण ग्राहक है।

परिचालन नोट्स

• चार आवाजें इस मॉडल की अपनी हैं। एक क्वेन ऑडियो 3.1 टीटीएस आवाज जैसे Emily_v3.1 मान्य आईडी की सूची के साथ प्लस पर अस्वीकार कर दिया जाता है।
• एक कस्टम आवाज उस मॉडल पर काम करती है जिसने इसे बनाया है। A voice_id Qwen ऑडियो 3.1 TTS पर क्लोन प्लस पर काम नहीं करता है; रिकॉर्डिंग को फिर से क्लोन करें "मॉडल": "qwen-audio-3-1-tts-plus"।.
• SSML समर्थित नहीं है. सादा पाठ भेजें, साथ में शिक्षण-प्रशिक्षण पाठ के भीतर परिवर्तनों के लिए समग्र वितरण और इनलाइन टैग के लिए, प्रति अनुरोध 10,000 वर्णों तक।

मूल्य निर्धारण

आपके द्वारा भेजे जाने वाले पाठ के प्रति वर्ण के लिए TTS Plus बिल और प्रत्येक चीनी वर्ण दो के रूप में गिना जाता है। एक रीयलटाइम सत्र प्रत्येक बोले जाने वाले खंड को उसी तरह से बिल करता है, और एक कस्टम आवाज़ बनाने से कोई शुल्क नहीं जुड़ता है। वर्तमान दरें इस पर हैं मॉडल पेज और मूल्य निर्धारण पृष्ठ।.

निर्माण शुरू करें

Qwen Audio 3.1 TTS Plus को ट्राई करें Playground, जहां वॉयस पिकर और हर पैरामीटर लाइव नियंत्रण हैं, 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।.