Como Usar a API do Qwen Audio 3.1 TTS Next

Qwen Audio 3.1 TTS Next está disponível no EmpirioLabs. É o modelo de geração de áudio do Alibaba. Descreva uma cena em linguagem simples, incluindo quem fala, o que diz, como soa e o que pode ser ouvido ao redor, e ele retorna um arquivo de áudio finalizado com a narração, diálogo, efeitos sonoros, ambiente e música juntos. O jogo continua PÓS-/v1/audio/speech, na API e na Playground.

Assista ao filme de lançamento

Cada som do filme é um verdadeiro resultado do Qwen Audio 3.1 TTS Next, cada cena a partir de uma descrição escrita: um mercado noturno na chuva, um corredor assombrado à meia-noite e uma música ao redor de uma fogueira. As imagens são saídas Qwen Image 2.1, e a trilha sonora foi gerada pela ACE-Step no EmpirioLabs. Assista no YouTube.

Como ele difere do Qwen Audio 3.1 TTS

Qwen Audio 3.1 TTS lê seu texto em voz alta em uma das 19 vozes predefinidas e pode transmiti-lo conforme é gerado. Qwen Audio 3.1 TTS Next não possui lista de vozes: você descreve cada voz em Entrada ou clone a partir de um clipe de referência, e a mesma descrição adiciona efeitos sonoros, ambiente e música. Use Qwen Audio 3.1 TTS para ler texto escrito em uma voz fixa, e Qwen Audio 3.1 TTS Next quando o resultado for uma cena produzida.

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-next", "entrada": "Uma narradora calma feminina diz: \"Todas as manhãs, o porto acorda antes da cidade.\" Ondas suaves e gaivotas distantes ao fundo." }'

A resposta carrega uma URL para o áudio gerado, MP3 a 48.000 Hz em estéreo por padrão. response_format também toma WAV ou PCM, sample_rate aceita de 8.000 a 48.000 Hz, e Canais Leva 1 para mono ou 2 para estéreo. Velocidade, Volume, e Semente são ajustáveis, bit_rate define uma taxa de bits MP3 constante, e Marca d'água adiciona uma marca d'água de conteúdo gerada por IA.

Escrevendo a descrição

• Vozes. Descreva cada falante, como uma narradora calma ou uma criança animada, e coloque cada fala entre aspas.
• Entrega. Diga como cada frase é dita, por exemplo, sussurros, respostas calorosas ou dizem alegremente.
• Som. Adicione efeitos sonoros, ambiente e música no mesmo texto, como chuva batendo na janela ou piano suave ao fundo.
• Línguas. Chinês e inglês.
• Comprimento. Até 3.000 caracteres por pedido e até 120 segundos de áudio, ou 240 segundos para um podcast.

Vozes de trechos de referência

Referências aceita até três clipes como URLs ou URIs de dados de áudio base64, cada um com até 30 segundos e 10 MB, em WAV, MP3 ou OGG Opus. Nomei-os em Entrada como @voice1, @voice2, e @voice3, na ordem em que você os envia. Dois clipes formam um diálogo a duas vozes:

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-next", "referências": ["https://example.com/visitor.mp3", "https://example.com/bookseller.mp3"], "entrada": "Em uma livraria silenciosa, @voice1 sussurra: \"Você viu a nova estante de poesia?\" @voice2 responde calorosamente: \"Eu montei ela esta manhã. Fique à vontade.\" Uma página vira, e a chuva bate na janela.", "response_format": "onda", "sample_rate": 24000, "canais": 1 }'

Notas operacionais

• Todas as direções entram Entrada. Um pedido com Instrução ou com SSML é rejeitado com um 400 que diz isso.
• Cada @voice precisa do clipe. @voice2 em Entrada precisa de pelo menos dois clipes Referências; caso contrário, o pedido é rejeitado.
• Sem vozes pré-definidas. Voz é aceito para que os clientes compatíveis com OpenAI funcionem inalterados, e isso não tem efeito. Descreva a voz em Entrada.
• Um arquivo completo por pedido. Este modelo não transmite, e PÓS-/v1/audio/speech:stream retorna 400. Um clipe curto leva cerca de 15 a 40 segundos, então permita que o cliente tenha um tempo de vários minutos para cenas longas.
• Formats. MP3, WAV e PCM. Opus não é oferecido.

Preços

Faturamento de tokens. Tokens de entrada cobrem a descrição e cada clipe de referência, e tokens de saída cobrem o áudio gerado, cerca de 200 por segundo. Uma solicitação com clipes de referência fatura mais tokens de entrada do que a mesma descrição sem eles. As taxas atuais estão no página do modelo e o página de preços.

Comece a construir

Tente Qwen Audio 3.1 TTS em seguida no Área de reprodução, onde todo parâmetro é um controle ativo, e leia o Documentação da API para a referência completa do parâmetro.

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