Qwen Audio 3.1 TTS PlusはEmpirioLabsで利用可能です。 これはアリババのQwen Audio 3.1音声合成の品質層であり、ナレーション、吹き替え、オーディオブック、ブランドボイス用に作られており、4つの多言語音声、平易な言語で直接伝えられる、感情を変えたり文中に音を追加したりするインラインタグ、短い録音からの音声クローン機能を備えています。完成した音声ファイルを ポスト/v1/audio/speech、生成される音声をストリーミングします ポスト/v1/audio/speech:streamリアルタイムAPIでは、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
映画内のすべての声は本物のQwen Audio 3.1 TTS Plusの発音で、徐南川がトレーラーのナレーターとして平易な言語で監督し、ロン・アン・ファンは興奮したタグ付き、ロン・アン・フェンユエは中国語で、ロン・アン・リンシンは笑いタグ付きです。画像はQwen Image 2.1出力で、スコアはACE-Step on EmpirioLabsによって制作されました。 YouTubeでご覧くださいお問い合わせ.
プラス・オア・フラッシュ
Qwen Audio 3.1 TTS これはFlash層で、低遅延の音声交流向けに設計されており、19音声とトークン課金を備えています。TTS Plusは音質、自然さ、表現力の細部を最優先し、独自の4音声とキャラクターごとの請求を行います。両者とも同じリクエストボディ、同じ配信方向、同じストリーミングおよびリアルタイムインターフェースを使います。そのため、両者間の移動はモデルと音声の変更です。
声
4人の声は中国語、英語、その他の言語を読み上げます。 longanlingxin_v3.1, longanhuan_v3.1、および longanfengyue_v3.1 女性であり、 xunanchuan_v3.1 は男性です。言語が混ざったテキストの場合、 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。
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-plus」, 「入力」:「アーカイブは40年間封印されていた。[ささやき声] 今夜、誰かが開いた。」「声」:「xunanchuan_v3.1」「指示」:「ドキュメンタリーのナレーター、低く落ち着いた静かなサスペンスを築く」「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 は調整可能であり、 発音 および 置き換え 名前、略語、ブランド名を修正しましょう。
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]、または[真剣]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]または[ため息]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。
声のクローン
セット 声 から 慣習、パス voice_audio_url、1人の話者による10秒から20秒間の明瞭な発話に対するhttps URLを設定し、 voice_consent から 確かに スピーカーの許可を得ているか確認するために。WAV、MP3、M4A、OGG、WEBM、FLACが対応可能で、最大15MBまで。
{ "model": "qwen-audio-3-1-tts-plus", "input": "お帰りなさい。今週変わったことはここです。", "voice": "custom", "voice_audio_url": "https://example.com/host-sample.wav", "voice_consent": true}回答には以下が含まれます。 voice_id および voice_id_expires_at.パスして voice_id として 声 その後7日間、音声エンドポイントまたはリアルタイムセッションで使用可能です。このモデルでは、アカウントで最大10のカスタムボイスを同時に保持できます。
ストリーミングとリアルタイム
ポスト/v1/audio/speech:stream 同じボディを取り、サーバー送信イベントを返します: audio.chunk Base64オーディオが登場するイベント audio_b64、 audio.done(音声終了) 完全なファイルのURL、その長さ、使用方法を記載しています。
リアルタイムAPI上で、オープン wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts-plus、テキストを送る 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。 session.update 音声、指示、フォーマットを設定します。 セッション。終了 残りを話し、セッションを終了します。その リアルタイムガイド 完全なクライアントがいる。
作戦メモ
- 4つの声はこのモデル独自のものです。 Qwen Audio 3.1 TTS音声のようなものです
Emily_v3.1有効なIDのリストとともにPlusで却下されました。 - カスタムボイスは作成したモデル上で動作します。 A
voice_idQwen Audio 3.1でクローンされたTTSはPlusで動作しません;録音を再度クローンしてください。「モデル」:「qwen-audio-3-1-tts-plus」お問い合わせ. - SSMLはサポートされていません。 プレーンテキストで送ってください。
指導全体の配信およびテキスト内の変更に関するインラインタグについては、リクエストあたり最大10,000文字まで対応可能です。
料金について
TTS Plusは送信するテキストの文字ごとに料金を請求し、中国語の各文字は2文字としてカウントされます。リアルタイムセッションは各音声セグメントに同じ方法で請求し、カスタム音声を作成しても料金はかかりません。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 Plusを試してみてください Playground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.
