Qwen Audio 3.1 TTS Next APIの使い方

Qwen Audio 3.1 TTS NextはEmpirioLabsで利用可能です。 これはアリババの音声生成モデルです。誰が話し、何を話し、どのように聞こえるか、周囲の音など、平易な言葉でシーンを説明すると、ナレーション、セリフ、効果音、環境音、音楽が一つにまとまった完成した音声ファイルが返されます。続きます ポスト/v1/audio/speech、APIおよびPlaygroundで。

ローンチ映像を見る

映画のすべての音は本物のQwen Audio 3.1 TTS Nextの映像で、各シーンは一つの説明から書かれています:雨の中のナイトマーケット、真夜中の幽霊が出る廊下、キャンプファイヤーのそばの歌などです。映像はQwen Image 2.1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.

Qwen Audio 3.1 TTSとの違い

Qwen Audio 3.1 TTS 19のプリセット音声のうちの1つでテキストを読み上げ、生成された音声をストリーミングできます。Qwen Audio 3.1 TTS Nextには音声リストがなく、各音声を 入力 またはリファレンスクリップからクローンし、同じ説明に効果音、環境音、音楽が追加されます。Qwen Audio 3.1 TTSを使って固定音声で書かれたテキストを読み、生成されたシーンの場合はQwen Audio 3.1 TTS Nextを使いましょう。

あなたの最初のお願い

curl https://api.empiriolabs.ai/v1/audio/speech \ -H 「認可:Bearer $EMPIRIOLABS_API_KEY」 \ -H 「Content-Type: application/json」 \ -d '{ 「model」:「qwen-audio-3-1-tts-next」 「input」:「落ち着いた女性語り手が言う:\「毎朝、港は町より先に目覚める。\」背景には穏やかな波と遠くのカモメの声が響く。」 }'

応答には生成された音声のURLが記載されており、デフォルトで48,000HzのステレオMP3です。 response_format また、 WAV または PCM, sample_rate 8,000 Hzから48,000 Hzを使い、 チャンネル モノラルなら1枚、ステレオは2枚です。 速度, 音量、および 種子 調整可能である、 bit_rate 一定のMP3ビットレートを設定し、 透かし AI生成のウォーターマークを追加します。

説明書の作成

• 声。 落ち着いた女性語り手や興奮した子供など、各話者を描写し、話すたびに引用符で囲みます。
• 配達です。 例えば、各行がどのように話されるか、ささやき声、温かく答えるか、明るく言うかを挙げてみてください。
• 音。 窓を叩く雨音や背景の柔らかいピアノなど、同じテキストに効果音、環境音、音楽を加えましょう。
• 言語。 中国語と英語。
• 長さ。 リクエストごとに最大3,000文字、最大120秒の音声、ポッドキャストなら240秒まで対応可能です。

参考映像からの声

参考文献 最大3つのクリップをURLまたはbase64の音声データURIとして扱い、それぞれ最大30秒、10MBまで、WAV、MP3、またはOGG Opusで使用可能です。名前は以下の通りです。 入力 として @voice1, @voice2、および @voice3、送る順番で。2つのクリップで2つの音声ダイアログができます:

curl https://api.empiriolabs.ai/v1/audio/speech \ -H 「認可:ベアラー $EMPIRIOLABS_API_KEY」 \ -H 「Content-Type: application/json」 \ -d '{ 「モデル」:「qwen-audio-3-1-tts-next」, 「参考文献」: ["https://example.com/visitor.mp3", "https://example.com/bookseller.mp3"], "input": 「静かな書店で、@voice1がささやく:\「新しい詩棚を見た?\」 @voice2温かく答える:「\「今朝セットアップしたよ。ゆっくりでいいよ。\」ページがめくられ、雨が窓を叩く。」「response_format」:「wav」 「sample_rate」:24000、「チャンネル」:1 }'

作戦メモ

• すべての方向が内側に入ります 入力お問い合わせ. お願いです 指導 またはSSMLが400で却下される場合もあります。
• すべての @voice クリップが必要だ。 @voice2 において 入力 最低でも2つのクリップが必要です 参考文献;そうでなければリクエストは却下されます。
• プリセットの声は使いません。 声 OpenAI互換クライアントが変更せずに動作し、影響はありません。音声を 入力お問い合わせ.
• リクエストごとに1つの完全なファイルが使えます。 このモデルはストリーミングを行わず、 ポスト/v1/audio/speech:stream 400を返します。短いクリップは約15〜40秒かかるため、長いシーンではクライアントに数分のタイムアウトを許可してください。
• フォーマット。 MP3、WAV、PCMは提供されていません。Opusは提供されていません。

料金について

トークン請求。 入力トークンは説明と各参照クリップをカバーし、出力トークンは生成された音声を約200個毎秒カバーします。参照クリップを含むリクエストは、参照クリップなしの同じ説明よりも多くの入力トークンを請求します。現在の料金は以下の通りです。 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。次に プレイグラウンドここで、すべてのパラメータは生きた制御であり、 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.