Como Usar a API do Qwen Audio 3.1 TTS

O Qwen Audio 3.1 TTS está disponível no EmpirioLabs. É o modelo de síntese de fala em tempo real do Alibaba, com 19 vozes, entrega que você dirige em linguagem simples e tags inline que mudam emoção ou adicionam um som no meio da frase. Ele retorna um arquivo de áudio finalizado através PÓS-/v1/audio/speech ou transmite o áudio conforme é gerado PÓS-/v1/audio/speech:stream, na API e na Playground, e sobre a API em tempo real, ele fala texto enquanto o texto ainda está sendo escrito.

Assista ao filme de lançamento

Todas as vozes do filme são um verdadeiro Qwen Audio 3.1 TTS: Brian dirigiu em linguagem simples como narrador do trailer, depois Cindy, Ava e Andy com etiquetas animadas, sussurrando e rindo. As imagens são saídas Qwen Image 2.1, e a trilha foi gerada pela ACE-Step no EmpirioLabs. Assista no YouTube.

Vozes e línguas

Vozes em inglês. Quinze vozes falam inglês. Emily, Luna, Eric e Luca têm sotaques britânicos. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian e David têm sotaques americanos.

Vozes multilíngues. longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1, e xunanchuan_v3.1 leia chinês, inglês e outros idiomas.

Dicas de idioma. Para textos que misturam idiomas, language_hints toma um array de códigos de linguagem, como ["en", "zh"], para guiar a pronúncia. São suportados dezesseis códigos, incluindo en, zh, Ja, Ko, fr, de, es, e ar.

Seu primeiro pedido

curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorização: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-Conteúdo: application/json" \ -d '{ "modelo": "qwen-audio-3-1-tts", "entrada": "[animado]Chegamos à data de lançamento![ risos] Obrigado a todos pelas noites longas.", "voz": "Ava_v3.1", "instrução": "Caloroso e animado, como um líder de equipe compartilhando boas notícias", "response_format": "mp3", "sample_rate": 24000 }'

A resposta carrega uma URL para o áudio gerado. A saída é MP3, WAV, PCM ou Opus entre 8.000 e 48.000 Hz. Velocidade, Pitch, Volume, e Semente são ajustáveis, Pronúncia e substituir Nomes de correção, siglas e nomes de marca, e enable_markdown_filter evita que os caracteres de formatação sejam lidos em voz alta.

Dirigindo a entrega

• Instrução. Instrução define emoção, tom, caráter, ritmo e estilo de fala para toda a passagem, até 1.000 caracteres.
• Etiquetas de entrega. Uma tag como [animado], [sussurra], [sério], ou [muito devagar] muda a entrega a partir do ponto em que aparece.
• Etiquetas sonoras. Uma tag como [risos], [suspiro], [ofegos], ou [limpa a garganta] adiciona um som único. A lista completa de tags está no Entrada parâmetro na referência da API.

Streaming

PÓS-/v1/audio/speech:stream pega o mesmo corpo e retorna Eventos Enviados pelo Servidor. Cada um audio.chunk Event traz um trecho de áudio base64 em audio_b64, no formato e taxa de amostragem solicitados. Um final audio.done evento carrega a URL do arquivo completo, sua duração e o uso, seguidos por [PRONTO].

Tempo real: fale o texto enquanto ele está escrito

Pela API em tempo real, o Qwen Audio 3.1 TTS fala texto enquanto o texto ainda está chegando, por exemplo, a resposta de um modelo de linguagem enquanto transmite. Abra um WebSocket para wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts com sua chave API no Autorização cabeçalho, enviar mensagem com input_text_buffer.append em peças de qualquer tamanho, e reproduza o áudio de cada um response.audio.delta evento.

{"type": "session.update", "session": {"voice": "Ava_v3.1", "instruction": "Calor, como um apresentador de rádio da madrugada"}} {"type": "input_text_buffer.append", "text": "Boa noite, "} {"type": "input_text_buffer.append", "text": "e bem-vindos à edição tardia."} {"type": "session.finish"}

• Enviando mensagem. input_text_buffer.commit fala tudo que foi enviado até agora. sessão.fim fala o resto e termina a sessão com sessão.terminada.
• Áudio e configurações. O áudio é PCM de 16 bits a 24.000 Hz por padrão. session.update define a voz, instrução, formato (PCM, mp3, ou Opus), taxa de amostragem e as outras configurações de fala, começando pelo próximo segmento.
• Segmentos. O texto é falado em segmentos que terminam nos limites das frases, e cada segmento termina com um response.done evento que carrega seu uso. Um segmento também termina após 8 segundos sem novo texto.
• Páginas da web. Um navegador se conecta com um segredo de cliente de curta duração de PÓS-/v1/realtime/client_secrets, então sua chave API permanece no seu servidor.

O Guia em tempo real possui um cliente Python completo e a referência de eventos.

Notas operacionais

• Cada id de voz termina em _v3.1. Um nome simples como Emily, ou um Qwen Audio 3.0 TTS voice id, é rejeitado junto com a lista dos 19 IDs válidos. Uso Emily_v3.1.
• SSML não é suportado. Enviar texto simples. Usar Instrução para a entrega geral e tags inline para alterações dentro do texto.
• Até 10.000 caracteres por pedido. Divida scripts mais longos em vários pedidos.

Preços

Faturamento de tokens. Qwen Audio 3.0 TTS fatura por caractere; Qwen Audio 3.1 TTS fatura tokens. O texto que você envia é faturado como tokens de entrada, e o áudio gerado como tokens de saída a 12,5 tokens por segundo de áudio, e uma sessão em tempo real fatura cada segmento da mesma forma. O Velocidade e Pitch as configurações mudam o comprimento do áudio, mas não os tokens faturados, enquanto uma instrução que retarda a entrega adiciona tokens de saída. As taxas atuais estão no página do modelo e o página de preços.

Comece a construir

Tente o Qwen Audio 3.1 TTS no Área de reprodução, onde o seletor de voz e todos os parâmetros são controles ativos, e leem o Documentação da API para a referência completa do parâmetro.

Divulgação: Este artigo foi escrito com assistência de IA e revisado por EmpirioLabs IA.