Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next एक नज़र में

Qwen Audio 3.1 TTS और Qwen Audio 3.1 TTS Next दोनों Alibaba Cloud के मॉडल हैं, ऑडियो जनरेशन श्रेणी में आते हैं और EmpirioLabs API के ज़रिए उपलब्ध हैं।

मुख्य अंतर

• दोनों मॉडल 23 सित॰ 2026 को रिलीज़ हुए थे।
• हर जवाब में Qwen Audio 3.1 TTS अधिकतम 60,000 आउटपुट टोकन लौटाता है, Qwen Audio 3.1 TTS Next अधिकतम 50,000।
• सिर्फ Qwen Audio 3.1 TTS Next द्वारा स्वीकार किए जाने वाले इनपुट प्रकार: ऑडियो।
• सिर्फ Qwen Audio 3.1 TTS के लिए बताई गई क्षमताएं: multilingual, expressive prosody, emotion control, voice tags, low latency, streaming।
• सिर्फ Qwen Audio 3.1 TTS Next के लिए बताई गई क्षमताएं: audio generation, multi speaker, sound effects, podcast।
• इनपुट (प्रति 1M प्रॉम्प्ट टोकन) के लिए Qwen Audio 3.1 TTS की दर कम है।
• आउटपुट (प्रति 1M जेनरेट किए गए टोकन) के लिए Qwen Audio 3.1 TTS Next की दर कम है।

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: विशेषताएं

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: API की कीमतें

दोनों मॉडलों के लिए EmpirioLabs कैटलॉग की लाइव दरें। हर दर तालिका हमेशा API की वास्तविक बिलिंग से मेल खाती है।

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: API के पैरामीटर

EmpirioLabs पर हर मॉडल के लिए सूचीबद्ध रिक्वेस्ट पैरामीटर, और जहां लागू हो वहां मान्य मान या सीमा। डैश उस पैरामीटर को दिखाता है जो मॉडल के लिए सूचीबद्ध नहीं है।

Qwen Audio 3.1 TTS vs Qwen Audio 3.1 TTS Next: सीमाएं और नोट्स

Qwen Audio 3.1 TTS

आवाजें

• 19 आवाज़ें: 15 अंग्रेजी आवाज़ें और 4 बहुभाषी आवाज़ें। एमिली, लूना, एरिक और लुका के पास ब्रिटिश लहजे हैं। एबी, एनी, एवा, बेथ, बेट्टी, कैली, सिंडी, डोना, एंडी, ब्रायन और डेविड के पास अमेरिकी लहजे हैं। बहुभाषी आवाज़ें चीनी, अंग्रेजी और अन्य भाषाओं को पढ़ने longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 और xunanchuan_v3.1 हैं।
• उदाहरण के लिए, प्रत्येक वॉयस आईडी _v3.1 में समाप्त होती है, उदाहरण के लिए Emily_v3.1।

कस्टम आवाजें

• voice को custom करने और पास करने के लिए सेट करें voice_audio_url, एक https URL एक स्पीकर से 10 से 20 सेकंड के स्पष्ट भाषण के लिए।
• WAV, MP3, M4A, OGG, WEBM और FLAC 15 MB तक स्वीकार किए जाते हैं। संगीत या अन्य आवाज़ों के बिना, एक शांत कमरे में रिकॉर्ड करें।
• प्रतिक्रिया में voice_id और voice_id_expires_at शामिल हैं। voice_id को 7 दिनों के लिए, POST /v1/audio/speech, POST /v1/audio/speech:stream या रीयलटाइम सॉकेट पर पुन: उपयोग करने के लिए voice के रूप में पास करें, जहां session.update समान फ़ील्ड लेता है और session.updated voice_id लौटाता है। केवल वही खाता जिसने इसे बनाया है, इसका उपयोग कर सकता है।
• प्रत्येक खाते में इस मॉडल पर एक समय में 10 कस्टम आवाज़ें हो सकती हैं।
• GET /v1/voices?model=qwen-audio-3-1-tts मॉडल की आवाज़ों को सूचीबद्ध करता है, जिसमें आपकी कस्टम आवाज़ें उनकी आईडी के साथ शामिल हैं। केवल कस्टम आवाज़ों को सूचीबद्ध करने के लिए type=custom जोड़ें।
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts एक कस्टम आवाज को हटा देता है, जो एक ही बार में अपनी जगह मुक्त कर देता है।
• Playground में, सहेजी गई आवाज़ का फिर से उपयोग करने, उसकी आईडी कॉपी करने या उसे हटाने के लिए Voice को कस्टम पर सेट करें.
• कस्टम आवाज़ें बनाने, सूचीबद्ध करने और हटाने से कोई शुल्क नहीं लगता है।

वितरण की दिशा

• instruction प्राकृतिक भाषा में भावना, स्वर, चरित्र, गति और बोलने की शैली को 1,000 वर्णों तक सेट करता है।
• पाठ के अंदर इनलाइन टैग उस बिंदु से डिलीवरी को बदलते हैं, उदाहरण के लिए [excited] या [whispers], या [laughing] या [sighing] जैसी एक बार की ध्वनि जोड़ते हैं। टैग की पूरी सूची input पैरामीटर पर है।
• SSML इनपुट समर्थित नहीं है.

इनपुट सीमाएँ

• प्रति अनुरोध 10,000 वर्णों तक।
• language_hints मिश्रित भाषा पाठ के लिए पूर्वाग्रह उच्चारण।

उत्पादन

• MP3, WAV, PCM, या ओपस 8,000 से 48,000 हर्ट्ज पर।
• POST /v1/audio/speech:stream भाषण उत्पन्न होने के दौरान ऑडियो चंक्स भेजता है।

रीयलटाइम

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts पाठ लेता है, जबकि यह अभी भी लिखा जा रहा है और ऑडियो देता है के रूप में यह उत्पन्न होता है। input_text_buffer.append ईवेंट भेजें, फिर input_text_buffer.commit, या सत्र समाप्त करने के लिए session.finish।
• ऑडियो response.audio.delta घटनाओं में आता है: डिफ़ॉल्ट रूप से 16 हर्ट्ज पर 24,000-बिट पीसीएम, या एमपी 3 या ओपस। session.update के साथ आवाज, निर्देश, प्रारूप और अन्य विकल्प सेट करें; अगले खंड से एक परिवर्तन लागू होता है।
• पाठ उन खंडों में बोला जाता है जो वाक्य सीमाओं पर समाप्त होते हैं, और प्रत्येक खंड एक response.done ईवेंट के साथ समाप्त होता है जिसमें इसका उपयोग होता है।

बिलिंग

• इनपुट टोकन टेक्स्ट हैं, और आउटपुट टोकन 12.5 टोकन प्रति सेकंड पर जेनरेट किया गया ऑडियो है।
• गति और पिच प्रदान किए गए ऑडियो की लंबाई को बदलते हैं लेकिन बिल किए गए टोकन को नहीं। एक निर्देश जो डिलीवरी को धीमा कर देता है, आउटपुट टोकन जोड़ता है।

Qwen Audio 3.1 TTS Next

यह क्या बनाता है

• एक लिखित विवरण से एक समाप्त ऑडियो फ़ाइल: कथन, संवाद, ध्वनि प्रभाव, माहौल और संगीत एक साथ।
• input में प्रत्येक आवाज, वितरण और ध्वनियों का वर्णन करें। कोई आवाज सूची नहीं है।
• चीनी और अंग्रेजी।

संदर्भ क्लिप से आवाज़ें

• references यूआरएल या बेस 64 ऑडियो डेटा यूआरआई के रूप में 3 क्लिप तक लेता है, प्रत्येक 30 सेकंड और 10 एमबी तक, WAV, MP3, या OGG Opus में।
• उन्हें input में @voice1, @voice2 और @voice3 के रूप में नाम दें, उदाहरण के लिए: @voice1 cheerfully says: "What a lovely day."

इनपुट सीमाएँ

• प्रति अनुरोध 3,000 वर्णों तक।
• instruction और एसएसएमएल का उपयोग नहीं किया जाता है: सभी दिशा input में जाती है।

उत्पादन

• एमपी 3 (डिफ़ॉल्ट), डब्ल्यूएवी, या पीसीएम 8,000 से 48,000 हर्ट्ज, मोनो या स्टीरियो; डिफ़ॉल्ट 48,000 हर्ट्ज और स्टीरियो हैं।
• प्रति अनुरोध 120 सेकंड तक, या पॉडकास्ट के लिए 240 सेकंड।
• प्रति अनुरोध एक पूर्ण फ़ाइल। यह मॉडल स्ट्रीम नहीं होता है।

बिलिंग

• इनपुट टोकन विवरण और प्रत्येक संदर्भ क्लिप हैं। आउटपुट टोकन जेनरेट किया गया ऑडियो है, लगभग 200 प्रति सेकंड।

Qwen Audio 3.1 TTS और Qwen Audio 3.1 TTS Next को कैसे कॉल करें

Qwen Audio 3.1 TTS POST /v1/audio/speech से आवाज़ बनाता है और चलाने योग्य ऑडियो देता है। बोला जाने वाला टेक्स्ट input के रूप में model id qwen-audio-3-1-tts के साथ भेजें। दोनों मॉडल एक ही एंडपॉइंट से कॉल किए जाते हैं। model को qwen-audio-3-1-tts या qwen-audio-3-1-tts-next पर सेट करें। EmpirioLabs डैशबोर्ड से API key प्राप्त करें।

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: आम सवाल

Qwen Audio 3.1 TTS और Qwen Audio 3.1 TTS Next में क्या अंतर है?

दोनों मॉडल 23 सित॰ 2026 को रिलीज़ हुए थे। हर जवाब में Qwen Audio 3.1 TTS अधिकतम 60,000 आउटपुट टोकन लौटाता है, Qwen Audio 3.1 TTS Next अधिकतम 50,000। सिर्फ Qwen Audio 3.1 TTS Next द्वारा स्वीकार किए जाने वाले इनपुट प्रकार: ऑडियो। इस पेज की विशेषताएं, दर तालिकाएं और पैरामीटर EmpirioLabs के लाइव कैटलॉग से आते हैं।

Qwen Audio 3.1 TTS और Qwen Audio 3.1 TTS Next में से किसकी दर कम है?

इनपुट (प्रति 1M प्रॉम्प्ट टोकन) के लिए Qwen Audio 3.1 TTS की दर कम है। आउटपुट (प्रति 1M जेनरेट किए गए टोकन) के लिए Qwen Audio 3.1 TTS Next की दर कम है। दोनों लाइव दर तालिकाएं इस पेज पर हैं और हमेशा API की वास्तविक बिलिंग से मेल खाती हैं।

क्या मैं अपना इंटीग्रेशन दोबारा बनाए बिना Qwen Audio 3.1 TTS और Qwen Audio 3.1 TTS Next के बीच बदल सकता हूं?

हां। दोनों मॉडल एक ही EmpirioLabs API key के साथ POST /v1/audio/speech इस्तेमाल करते हैं, इसलिए ज़्यादातर इंटीग्रेशन सिर्फ model मान बदलकर स्विच हो जाते हैं। अगर आप किसी मॉडल-विशेष पैरामीटर पर निर्भर हैं तो पहले इस पेज की पैरामीटर तालिका देखें।