Qwen Audio 3.1 TTSはEmpirioLabsで利用可能です。 これはアリババのリアルタイム音声合成モデルで、19の音声を持ち、平易な言葉で指示する音声、感情を変えたり文中に音を加えたりするインラインタグを備えています。完成した音声ファイルを ポスト/v1/audio/speech または、生成された音声をストリーミングする ポスト/v1/audio/speech:streamAPIおよびPlayground、そしてリアルタイムAPI上でテキストが書かれている間にテキストを話します。
ローンチ映像を見る
映画のすべての声は本物のQwen Audio 3.1 TTS出力で、ブライアンがトレーラーのナレーターとして平易な言語で指揮し、その後シンディ、エイヴァ、アンディが興奮、ささやき、笑いのタグ付きで演出しています。映像はQwen Image 2.1の出力で、スコアはACE-StepがEmpirioLabsで作成しました。 YouTubeでご覧くださいお問い合わせ.
声と言語
英語の声。 15人の声が英語を話す。エミリー、ルナ、エリック、ルカはイギリス訛りで話す。アビー、アニー、エイヴァ、ベス、ベティ、キャリー、シンディ、ドナ、アンディ、ブライアン、デイビッドはアメリカ英語のアクセント。
多言語の声。 longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1、および xunanchuan_v3.1 中国語、英語、その他の言語を読むこと。
言語のヒント。 言語が混在するテキストの場合、 language_hints は次のような言語コードの配列を取ります。 [「エン」「zh」]発音を導くために。16のコードがサポートされており、以下が含まれます en, ZH, はい, コ, FR, de, es、および ARお問い合わせ.
あなたの最初のお願い
curl https://api.empiriolabs.ai/v1/audio/speech \ -h 「認証:ベアラー $EMPIRIOLABS_API_KEY」 \ -h 「コンテンツタイプ:application/json」 \ -d '{ 「モデル」:「qwen-audio-3-1-tts」, 「入力」:「[興奮]リリース日を迎えました![笑いながら] 夜遅くまでありがとうございます。」「voice」:「Ava_v3.1」、「instruction」:「温かくて明るい、チームリーダーが良い知らせを共有しているみたい」「response_format」:「mp3」「sample_rate」:24000 }'応答には生成された音声へのURLが付与されます。出力はMP3、WAV、PCM、またはOpusで8,000〜48,000Hzです。 速度, 音高, 音量、および 種子 調整可能である、 発音 および 置き換え 名前、頭字語、ブランド名を固定し、 enable_markdown_filter 文字の書式が音に出して読まれないようにするためです。
出産の指示
- 指示。
指導感情、トーン、キャラクター、ペース、話し方を1,000文字までの全文に設定します。 - 配達タグ。 例えば
[興奮して],[ささやき],[真剣]、または[とてもゆっくり]表示された地点から配達が変わります。 - サウンドタグ。 例えば
[笑い],[ため息],[息を呑む]、または[咳払い]一度きりの音を追加します。タグの全リストは入力API参照のパラメータです。
ストリーミング
ポスト/v1/audio/speech:stream 同じボディを受け取り、サーバー送信イベントを返します。それぞれ audio.chunk イベントはbase64のオーディオチャンクを搭載しています audio_b64、要求された形式とサンプルレートで。最終 audio.done(音声終了) eventは完全なファイルのURL、長さ、使用状況を伝え、その後に [完了]お問い合わせ.
リアルタイム:書かれているテキストを話す
リアルタイムAPIを通じて、Qwen Audio 3.1 TTSはテキストがまだ届いている間にテキストを話し、例えば言語モデルの返信をストリーミング中に行います。WebSocketを開いて wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts APIキーを 認可 ヘッダーでテキストを送信してください。 input_text_buffer.append どのサイズの断片でも、それぞれの音声を再生します response.audio.delta イベント。
{"type": "session.update", "session": {"voice": "Ava_v3.1", "instruction": "温かみ、深夜ラジオ司会者のように"}}{"type": "input_text_buffer.append", "text": "こんばんは、" }{"type": "input_text_buffer.append", "text": "深夜版へようこそ。" }{"type": "session.finish"}- テキスト送信中。
input_text_buffer.commitこれまでに送られたものは全部話す。セッション。終了残りを話し、セッションを最後にセッション終了お問い合わせ. - 音声と設定。 音声はデフォルトで16ビットPCM、24,000Hzです。
session.update音声、命令、フォーマット(PCM,mp3、または作品)、サンプルレート、その他の音声設定を次のセグメントから始めます。 - セグメント。 テキストは文の境界で終わるセグメントに分けて話され、各セグメントは
返信完了その使用を含んだイベント。また、セグメントは新しいテキストなしで8秒後に終了します。 - ウェブページ。 ブラウザが短命のクライアント秘密に接続する
ポスト/v1/realtime/client_secretsなので、APIキーはサーバー上に残ります。
その リアルタイムガイド 完全なPythonクライアントとイベント参照を持っています。
作戦メモ
- すべての声は「id」で終わります
_v3.1お問い合わせ. 例えば、エミリーまたはQwen Audio 3.0のTTS音声IDは、19個の有効なIDのリストとともに却下されます。利用Emily_v3.1お問い合わせ. - SSMLはサポートされていません。 プレーンテキストを送信してください。使用
指導全体の配信やテキスト内の変更に対するインラインタグのためです。 - リクエストごとに最大10,000文字まで対応可能です。 長いスクリプトを複数のリクエストに分けましょう。
料金について
トークン請求。 Qwen Audio 3.0は文字あたりのTTS請求額です。Qwen Audio 3.1 TTSはトークンを請求します。送信するテキストは入力トークンとして請求され、生成された音声は1秒あたり12.5トークンの出力トークンとして請求され、リアルタイムセッションは各セグメントに対して同じ方法で請求します。その 速度 および 音高 設定は音声の長さを変えますが、請求されたトークンは変わりません。一方、配信を遅くする命令は出力トークンを追加します。現在のレートは モデルページ そして、 プライシングページお問い合わせ.
建設を始めろ
Qwen Audio 3.1 TTSを試してみてください プレイグラウンドここでボイスピッカーとすべてのパラメータはライブコントロールであり、 APIドキュメント 完全なパラメータ参照のために。
ディスクロージャー:この記事は、EmpirioLabs AIによるAIの支援とレビューで書かれました.
