Aplomb 1, हमारा पहला मॉडल, अब उपलब्ध है। लॉन्च पोस्ट पढ़ें

Qwen Audio 3.1 TTS Plus एपीआई

कथन और डबिंग के लिए भाषण संश्लेषण, 4 बहुभाषी आवाजों, सादे भाषा वितरण दिशा, इनलाइन भावना टैग और आवाज क्लोनिंग के साथ।

Alibaba Cloudऑडियो जनरेशनरिलीज 21 अक्टू॰ 2026Singaporeस्वामित्व वाला एंडपॉइंटनया
Playground में आजमाएं API Docs कीमत देखें

Qwen Audio 3.1 TTS Plus के बारे में

कथन और डबिंग के लिए भाषण संश्लेषण, 4 बहुभाषी आवाजों, सादे भाषा वितरण दिशा, इनलाइन भावना टैग और आवाज क्लोनिंग के साथ।

आवाज के साथ 4 आवाजों में से एक चुनें। निर्देश के साथ और पाठ के अंदर इनलाइन टैग के साथ डिलीवरी को निर्देशित करें। आवाज को क्लोन करने के लिए voice_audio_url और voice_consent के साथ आवाज को कस्टम पर सेट करें।

इस नाम से भी जाना जाता है Qwen Audio TTS Plus, Qwen Audio TTS, Alibaba Cloud Qwen Audio 3.1 TTS Plus

text to speechmultilingualexpressive prosodyemotion controlvoice tagsstreamingrealtimevoice cloning

Qwen Audio 3.1 TTS Plus की विशेषताएं

मॉडल ID
qwen-audio-3-1-tts-plus
निर्माता
Alibaba Cloud
श्रेणी
ऑडियो जनरेशन
रिलीज
21 अक्टू॰ 2026
इनपुट
टेक्स्ट
आउटपुट
ऑडियो
रीजन
Singapore
एंडपॉइंट
POST/v1/audio/speechPOST/v1/audio/speech:streamWEBSOCKET/v1/realtimeGET/v1/voices
वैकल्पिक मॉडल ID
qwen-audio-3.1-tts-plusalibaba/qwen-audio-3-1-tts-plus

Qwen Audio 3.1 TTS Plus API की कीमतें

EmpirioLabs कैटलॉग से लाइव pay-as-you-go दरें। आप सिर्फ उतना ही भुगतान करते हैं जितना उपयोग करते हैं, कोई मासिक न्यूनतम नहीं।

प्रकार
स्पेक
दर
संश्लेषण
प्रति 10,000 वर्ण
$0.60
पूरे कीमत पेज पर तुलना करें

Qwen Audio 3.1 TTS Plus API को कैसे कॉल करें

Qwen Audio 3.1 TTS Plus 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-plus के साथ भेजें। EmpirioLabs डैशबोर्ड से API key प्राप्त करें।

cURL
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-plus",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3
Python
import requests

response = requests.post(
    "https://api.empiriolabs.ai/v1/audio/speech",
    headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
    json={"model": "qwen-audio-3-1-tts-plus", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
    f.write(response.content)
Qwen Audio 3.1 TTS Plus API का पूरा संदर्भ

Qwen Audio 3.1 TTS Plus API के पैरामीटर

EmpirioLabs पर Qwen Audio 3.1 TTS Plus API द्वारा समर्थित request पैरामीटर। फ़ील्ड छोड़ने पर डिफ़ॉल्ट मान लागू होते हैं।

पैरामीटरप्रकारडिफॉल्टरेंज / मानविवरण
inputstring-अधिकतम 10000संश्लेषित करने के लिए पाठ, प्रति अनुरोध 10,000 वर्णों तक। ये इनलाइन टैग डिलीवरी को उस बिंदु से बदलते हैं जहां वे दिखाई देते हैं: [उदास], [आश्चर्यचकित], [गहरा और जोर...
voiceenumlonganlingxin_v3.1longanlingxin_v3.1, longanhuan_v3.1, longanfengyue_v3.1, xuna...वॉयस प्रीसेट। 4 आवाज़ें चीनी, अंग्रेज़ी और अन्य भाषाएँ पढ़ती हैं। प्रत्येक वॉयस आईडी _v3.1 में समाप्त होती है, उदाहरण के लिए longanlingxin_v3.1। कस्टम क्लोन...
voice_audio_urlstring--voice=custom only: एक स्पीकर से स्पष्ट भाषण की 10 से 20 सेकंड की रिकॉर्डिंग के लिए एक HTTPS URL, क्लोन करने के लिए आवाज (WAV, MP3, M4A, OGG, WEBM या FLAC, 15 MB तक)।...
voice_consentbooleanfalse-Voice=custom: true पुष्टि करता है कि आपके पास स्पीकर की आवाज़ की सिंथेटिक कॉपी बनाने की अनुमति है। एक कस्टम आवाज केवल तभी बनाई जाती है जब यह सत्य हो।
response_formatenummp3mp3, wav, pcm, opusऑडियो कंटेनर। एमपी 3 और ओपस संपीड़ित हैं, डब्ल्यूएवी एक आरआईएफएफ हेडर में असम्पीडित पीसीएम है, और पीसीएम चंक्ड प्लेबैक के लिए हेडरलेस कच्चे नमूने हैं। रीयलटाइम...
sample_rateenum240008000, 12000, 16000, 22050, 24000, 44100, 4800024000 में आउटपुट नमूना दर स्पीच प्लेबैक के लिए उपयुक्त है, और 48000 एक बड़े फ़ाइल आकार पर प्रसारण-गुणवत्ता आउटपुट देता है।
speednumber10.5 से 2बोलने की दर गुणक। 0.5 आधी गति है और 2.0 दोहरी गति है।
pitchnumber10.5 से 2पिच गुणक। 1.0 से नीचे के मान आवाज को कम करते हैं और ऊपर के मान इसे बढ़ाते हैं। पिच प्रदान किए गए ऑडियो की गति को भी बदल देती है, इसलिए जब आप मूल अवधि रखना चाहते हैं...
volumeinteger500 से 100आउटपुट लाउडनेस, जहां 50 संदर्भ स्तर है।
instructionstring-अधिकतम 1000डिलीवरी के लिए प्राकृतिक-भाषा दिशा, 1,000 वर्णों तक। भावना, स्वर, चरित्र, गति और बोलने की शैली को नियंत्रित करता है, उदाहरण के लिए "उत्साहित, उत्साहित स्वर में जल्दी...
language_hintsarray-zh, en, fr, de, ja, ko, ru, pt, th, id, vi, es, it, ms, fil, arभाषा कोड जो मिश्रित-भाषा पाठ के लिए उच्चारण को पूर्वाग्रह करते हैं, उदाहरण के लिए ["zh", "en"]। मॉडल को भाषा का पता लगाने देने के लिए अनसेट छोड़ दें।
seedinteger00 से 65535नमूना बीज। दोहराने योग्य रेंडर के लिए समान इनपुट और सेटिंग्स के साथ एक बीज का पुन: उपयोग करें।
bit_rateinteger320006000 से 510000बीपीएस में एनकोडर बिटरेट। केवल ओपस प्रारूप पर लागू होता है, और एमपी 3, डब्ल्यूएवी और पीसीएम के लिए अनदेखा किया जाता है।
pronunciationobject--उच्चारण लिखित रूप द्वारा कुंजी को ओवरराइड करता है, उदाहरण के लिए {"重要": "zhong4 yao4"}। नाम, परिवर्णी शब्द और होमोग्राफ को ठीक करने के लिए इसका उपयोग करें।
डॉक्स में 2 और पैरामीटर

जानने योग्य

आवाजें

  • 4 आवाजें जो चीनी, अंग्रेजी और अन्य भाषाओं को पढ़ती हैं: longanlingxin_v3.1, longanhuan_v3.1 और longanfengyue_v3.1 महिला हैं, और xunanchuan_v3.1 पुरुष है।
  • प्रत्येक वॉयस आईडी _v3.1 में समाप्त होती है, उदाहरण के लिए longanlingxin_v3.1।

कस्टम आवाजें

  • voice को custom पर सेट करें, voice_audio_url पास करें, एक स्पीकर से 10 से 20 सेकंड के स्पष्ट भाषण के लिए एक https URL भेजें, और यह पुष्टि करने के लिए voice_consent true पर सेट करें कि आपके पास स्पीकर की आवाज को क्लोन करने की अनुमति है।
  • 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। POST /v1/audio/speech, POST /v1/audio/speech:stream या रीयलटाइम सॉकेट पर 7 दिनों के लिए आवाज का पुन: उपयोग करने के लिए voice के रूप में voice_id पास करें, जहां session.update समान फ़ील्ड लेता है और session.updated voice_id लौटाता है। केवल वही खाता जिसने इसे बनाया है, केवल इस मॉडल पर 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-plus 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-plus 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-plus पाठ लेता है, जबकि यह अभी भी लिखा जा रहा है और ऑडियो 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 टेक्स्ट के प्रति वर्ण बिल किया जाता है. एक चीनी वर्ण को दो वर्णों के रूप में गिना जाता है, और इनलाइन टैग वर्णों के रूप में गिना जाता है. निर्देश बिल नहीं किया जाता है.
  • रीयलटाइम सॉकेट पर प्रत्येक खंड को उसके अपने पात्रों के लिए बिल किया जाता है।

Qwen Audio 3.1 TTS Plus API: आम सवाल

Qwen Audio 3.1 TTS Plus API की कीमत कितनी है?

EmpirioLabs पर Qwen Audio 3.1 TTS Plus का बिल उपयोग के अनुसार बनता है: संश्लेषण $0.60 प्रति 10,000 वर्ण। इस पेज की लाइव दर तालिका हमेशा API की वास्तविक बिलिंग से मेल खाती है।

Qwen Audio 3.1 TTS Plus कौन सा endpoint उपयोग करता है?

Qwen Audio 3.1 TTS Plus api.empiriolabs.ai पर POST /v1/audio/speech के ज़रिए मिलता है, मानक Bearer टोकन प्रमाणीकरण के साथ।

क्या मैं इंटीग्रेट करने से पहले ब्राउज़र में Qwen Audio 3.1 TTS Plus आज़मा सकता हूं?

EmpirioLabs playground खोलें और Start session दबाकर इसे अपने ब्राउज़र में आज़माएँ। Qwen Audio 3.1 TTS Plus अनुरोध और प्रतिक्रिया के बजाय WebSocket पर चलता है, इसलिए इसे जोड़ने के लिए रियलटाइम वॉइस क्विकस्टार्ट से शुरू करें। अपनी EmpirioLabs API key और मॉडल id qwen-audio-3-1-tts-plus के साथ अपने सर्वर से कनेक्ट करें, फिर दोनों दिशाओं में ऑडियो स्ट्रीम करें।

Qwen Audio 3.1 TTS Plus की API key कैसे मिलेगी?

EmpirioLabs खाता बनाएं, फिर डैशबोर्ड में API Keys में key जनरेट करें। बिलिंग pay-as-you-go क्रेडिट से होती है, इसलिए आप सिर्फ अपनी requests का भुगतान करते हैं।

बेहतर समापन बिंदुओं का उपयोग करने के लिए तैयार हैं?

हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।

मूल्य निर्धारण देखें
संपर्क करें