Como Usar a API Qwen Audio 3.1 TTS Plus

Qwen Audio 3.1 TTS Plus está disponível no EmpirioLabs. É o nível de qualidade da síntese de voz Qwen Audio 3.1 do Alibaba, feita para narração, dublagem, audiolivros e vozes de marca, com 4 vozes multilíngues, entrega que você dirige em linguagem simples, tags em linha que alteram emoções ou adicionam um som no meio da frase, e clonagem de voz a partir de uma gravação curta. Ele retorna um arquivo de áudio finalizado através de PÓS-/v1/audio/speech, transmite o áudio conforme é gerado através PÓS-/v1/audio/speech:stream, e sobre a API de Tempo Real fala texto enquanto o texto ainda está sendo escrito.

Assista ao filme de lançamento

Todas as vozes do filme são um resultado real Qwen Audio 3.1 TTS Plus: Xu Nanchuan dirigido em linguagem simples como narrador de trailer, depois Long An Huan com uma tag animada, Long An Fengyue em mandarim e Long An Lingxin com uma tag de risada. As imagens são saídas Qwen Image 2.1, e a trilha sonora foi gerada por ACE-Step on EmpirioLabs. Assista no YouTube.

Plus ou Flash

Qwen Audio 3.1 TTS é o nível Flash, projetado para interação de voz de baixa latência, com 19 vozes e faturamento de tokens. TTS Plus coloca qualidade de áudio, naturalidade e detalhes expressivos em primeiro lugar, tem suas próprias 4 vozes e faturas por personagem. Ambos recebem o mesmo corpo de pedido, a mesma direção de entrega e as mesmas interfaces de streaming e tempo real, então a mudança entre elas é uma mudança de modelo e voz.

Vozes

Todas as quatro vozes leem chinês, inglês e outros idiomas. longanlingxin_v3.1, longanhuan_v3.1, e longanfengyue_v3.1 são femininas, e xunanchuan_v3.1 é masculino. Para textos que misturam línguas, language_hints toma um array de códigos de linguagem, como ["en", "zh"], para guiar a pronúncia.

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-plus", "entrada": "O arquivo estava lacrado há quarenta anos.[ sussurra] Hoje à noite, alguém abriu.", "voz": "xunanchuan_v3.1", "instrução": "Um narrador documental, baixo e medido, construindo suspense silencioso", "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, e Pronúncia e substituir Corrigir nomes, siglas e marcas conhecidas.

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], ou [sério] muda a entrega a partir do ponto em que aparece.
• Etiquetas sonoras. Uma tag como [risos] ou [suspiro] adiciona um som único. A lista completa de tags está no Entrada parâmetro na referência da API.

Clonando uma voz

Definir Voz para Customizado, passe voice_audio_url, uma URL https para 10 a 20 segundos de fala clara de um alto-falante, e define voice_consent para Verdade para confirmar que você tem a permissão do alto-falante. WAV, MP3, M4A, OGG, WEBM e FLAC são aceitos, até 15 MB.

{ "modelo": "qwen-audio-3-1-tts-plus", "entrada": "Bem-vindo de volta. Aqui está o que mudou esta semana.", "voz": "personalizado", "voice_audio_url": "https://example.com/host-sample.wav", "voice_consent": verdadeiro }

A resposta inclui um voice_id e voice_id_expires_at. Passe o voice_id como Voz Nos próximos 7 dias, seja em um endpoint de fala ou em uma sessão em tempo real. Uma conta armazena até 10 vozes personalizadas neste modelo por vez.

Streaming e tempo real

PÓS-/v1/audio/speech:stream toma o mesmo corpo e retorna Eventos Enviados pelo Servidor: audio.chunk Eventos com áudio base64 em audio_b64, então audio.done com a URL do arquivo completo, sua duração e o uso.

Sobre a API Realtime, abrir wss://api.empiriolabs.ai/v1/realtime?model=qwen-audio-3-1-tts-plus, enviar mensagem com input_text_buffer.append em peças de qualquer tamanho, e reproduza o áudio de cada um response.audio.delta evento. session.update define a voz, instrução e formato, e sessão.fim fala o resto e encerra a sessão. O Guia em tempo real tem um cliente completo.

Notas operacionais

• As quatro vozes são próprias deste modelo. Uma voz Qwen Audio 3.1 TTS, como Emily_v3.1 é rejeitado no Plus com a lista de identidades válidas.
• Uma voz personalizada funciona no modelo que a criou. A voice_id clonado no Qwen Audio 3.1 TTS não funciona no Plus; clone a gravação novamente com "modelo": "qwen-audio-3-1-tts-plus".
• SSML não é suportado. Envie texto simples, com Instrução para a entrega geral e tags inline para alterações dentro do texto, até 10.000 caracteres por requisição.

Preços

TTS Plus fatura por caractere do texto que você envia, e cada caractere chinês conta como dois. Uma sessão em tempo real fatura cada segmento falado da mesma forma, e criar uma voz personalizada não adiciona cobrança. As tarifas atuais estão no página do modelo e o página de preços.

Comece a construir

Experimente o Qwen Audio 3.1 TTS Plus no Playground, 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.