Qwen Audio 3.0 TTS APIの使い方

Qwen Audio 3.0 TTSはEmpirioLabsで利用可能です。 これはアリババの音声合成モデルであり、単一のモデルとしてティアスイッチ付きで出荷しています:最高の音質と表現力のためにPlus、リアルタイムインタラクションを用いて初パケット遅延を抑えるFlashです。両方のティアは同じパラメータとボイスライブラリを共有しているので、ボイスを一度選んで1つのフィールドでティアを変えます。

Qwen Audio 3.0 TTSの得意分野

アラビア語、中国語、英語、フランス語、ドイツ語、インドネシア語、イタリア語、日本語、韓国語、マレー語、ポルトガル語、ロシア語、スペイン語、タガログ語、タイ語、ベトナム語を含む16言語と、20の中国語方言地域をカバーしています。配信は二つの方向に向けられます。すなわち、平易な英語です 指導 これは全体のレンダリングの感情、トーン、キャラクター、ペース、スタイルを設定し、インラインタグ(例えば [興奮して], [ささやき], [笑い]、または [ため息] 文の途中で表情を変えるために、そのままテキストに挿入された。

ボイスライブラリのおかげでティア切り替えがスムーズです。基本ボイスは1,000種類以上あり、すべて同じIDで両方のティアに存在しているため、PlusとFlashを切り替えても話している人たちが変わることはありません。さらに、各ティアには独自のフラッグシップシステムボイスが少数あります。

リクエストを出す

これは標準的なOpenAI型音声エンドポイントなので、ほとんどのクライアントは1つの基本URL変更で済みます。

curl https://api.empiriolabs.ai/v1/audio/speech \ -H 「認証:ベアラー $EMPIRIOLABS_API_KEY」 \ -H 「Content-Type: application/json」 \ -d '{ "model": "qwen-audio-3-0-tts", "model_tier": "flash", "input": "[興奮]結果が出て、予測を上回った![笑い声」「声」:「loongjameszhao」「指示」:「明るく熱意のある口調で素早く話してください」「response_format」:「mp3」「sample_rate」:24000 }'

署名入りの音声URLが返ってきます。出力はMP3、WAV、ヘッダーレスPCM、Opusをサポートし、8kHzから48kHzまでのサンプルレートに対応しています。速度、ピッチ、音量、シードがすべて公開されており、名前や略語の発音オーバーライド、ブランド名の文字置き換え、そしてフォーマット文字が読み上げられないようにマークダウンフィルターも機能しています。

全音声カタログを閲覧するには、お電話ください 出て/v1/voices.言語、性別、ティアによるフィルタリングをサポートし、声名、特性、ユースケースを横断したフリーテキスト検索も可能です。

建築前に知っておくべき3つのポイント

基本ボイスはティアポータブルですが、システムボイスはそうではありません。 どの基本ボイスIDでもPlusとFlashの両方で動作するので、ボイスを一定に保ったままティアをA/B分けることができます。6つのフラッグシップシステムボイスはそれぞれ1つのティアに固定されており、間違ったティアに送るとAPIがどのティアを担当するかを教えてくれます。あいまいに失敗するのではなく。

このモデルではSSMLはサポートされていません。 使用方法 指導 グローバルな配信方向や、ローカル表現変更のためのインラインタグ。この組み合わせは、多くの人がSSMLで求めることをカバーし、作成も簡単です。

ピッチもペースを変えます。 ピッチを下げるとクリップが伸び、上げると圧縮されるので、元の長さで異なるピッチにしたいなら調整すればいいです 速度 それを補うために。

価格設定と開始方法

請求は入力テキストの文字単位で、選択したティアで、pay-as-you-goです。フラッシュは二つの中で安価です。両ティアの現在の料金は以下の通りです。 Qwen Audio 3.0 TTSモデルページ そしてさらに 価格ページお問い合わせ.

コードを書かずに試してみることもできます プレイグラウンドここでティアスイッチ、ボイスピッカー、すべてのパラメータがライブコントロールです。完全なパラメータ参照は APIドキュメントお問い合わせ.