Síntese de fala em níveis com mais de 1.000 vozes, 16 idiomas, 20 dialetos chineses, direção de entrega em linguagem natural e tags emocionais inline.
Alibaba CloudGeração de ÁudioLançado 20 de jul. de 2026SingaporeEndpoint proprietárioNovoSíntese de fala em níveis com mais de 1.000 vozes, 16 idiomas, 20 dialetos chineses, direção de entrega em linguagem natural e tags emocionais inline.
A seleção de vozes é consciente por níveis: os IDs de voz base funcionam em ambos os níveis e são automaticamente combinados com o model_tier selecionado, enquanto as seis vozes do sistema ficam bloqueadas em um nível. O pitch também altera o ritmo do áudio renderizado, então combine com a velocidade quando quiser preservar a duração original.
Também conhecido como Qwen Audio TTS, Alibaba Cloud Qwen Audio 3.0 TTS
qwen-audio-3-0-tts/v1/audio/speechPOST/v1/audio/speech:streamGET/v1/voicesqwen-audio-3.0-ttsalibaba/qwen-audio-3-0-ttsqwen-audio-3.0-tts-plusqwen-audio-3.0-tts-flashTarifas pay-as-you-go ao vivo do catálogo EmpirioLabs. Você paga só pelo que usa, sem mínimo mensal.
Qwen Audio 3.0 TTS gera fala por POST /v1/audio/speech e retorna áudio reproduzível. Envie o texto a ser falado em input com o id de modelo qwen-audio-3-0-tts. Obtenha uma chave de API no painel EmpirioLabs.
curl https://api.empiriolabs.ai/v1/audio/speech \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen-audio-3-0-tts",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/speech",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={"model": "qwen-audio-3-0-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)Parâmetros de requisição suportados pela API Qwen Audio 3.0 TTS na EmpirioLabs. Os padrões valem quando um campo é omitido.
| Parâmetro | Tipo | Padrão | Intervalo / valores | Descrição |
|---|---|---|---|---|
| input | string | - | máx. 20000 | Texto para sintetizar. Até 20.000 caracteres por pedido. Suporta tags de expressão inline colocadas diretamente no texto, por exemplo [animado], [risos],... |
| model_tier | enum | plus | plus, flash | Além disso: Alta qualidade de áudio e expressividade, melhor para criação de conteúdo, audiolivros, dublagem e dublagem de marcas. Flash: Ajustado para interação em... |
| voice | enum | loongjameszhao | loongjameszhao, loongolivialin, loonglunawang, loongnorahu, l... | Predefinição de voz. As vozes base funcionam em AMBOS os níveis, então mudar model_tier mantém sua seleção. Seis vozes principais estão bloqueadas por tier:... |
| voice_id | string | - | - | Identificação de voz livre, que substitui a voz quando ativada. Aceita qualquer voz base do GET /v1/voices, seja como id básico (recomendado, funciona em ambos os... |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000, 44100, 48000 | A taxa de amostragem de saída em Hz. 24000 é adequada para a reprodução de fala, e 48000 oferece saída de qualidade de transmissão em um arquivo maior. |
| speed | number | 1 | 0.5 a 2 | Multiplicador de taxa de fala. 0,5 é metade da velocidade e 2,0 é dobra. |
| pitch | number | 1 | 0.5 a 2 | Multiplicador de pitch. Valores abaixo de 1,0 diminuem a voz e valores acima a elevam. O pitch também altera o ritmo do áudio renderizado, então combine com a... |
| volume | integer | 50 | 0 a 100 | Loudness de saída, onde 50 é o nível de referência. |
| instruction | string | - | máx. 128 | Direção em linguagem natural para entrega, até 128 caracteres. Controla emoção, tom, caráter, ritmo e estilo de fala, por exemplo: 'Fale rápido em um tom animado e... |
| language_hints | array | - | zh, en | Códigos de linguagem que enviesam a pronúncia para textos de línguas mistas, por exemplo ["zh", "en"]. Deixe sem definir para permitir que o modelo detecte a linguagem. |
| seed | integer | 0 | 0 a 65535 | Amostrando sementes. Reuse uma seed com entrada e configurações idênticas para uma renderização repetível. |
| bit_rate | integer | 32000 | 16000 a 64000 | Taxa de bits do codificador em bps. Aplica-se apenas ao formato opus e é ignorado para mp3, wav e pcm. |
| pronunciation | object | - | - | A pronúncia prevalece sobre a forma escrita, por exemplo {"重要": "zhong4 yao4"}. Use-o para corrigir nomes, siglas e homógrafos. |
| replace | object | - | - | Substituições literais de texto aplicadas antes da síntese, por exemplo {"EmpirioLabs": "Empirio Labs"}. Útil para nomes de marcas e abreviações. |
Tiers - Plus: maior qualidade de áudio e expressividade, para criação de conteúdo, audiolivros, dublagem e trabalho de voz de marca - Flash: ajustado para interação em tempo real com menor latência no primeiro pacote, para assistentes de voz e agentes ao vivo - Alterne com o parâmetro model_tier, ou envie qwen-audio-3.0-tts-plus ou qwen-audio-3.0-tts-flash como o id do modelo Vozes - Mais de 1.000 vozes base, todas disponíveis em ambos os níveis, então mudar de nível mantém sua voz selecionada - Seis vozes principais do sistema são específicas para níveis: longanlingxin e longanlufeng no Plus, e longanhuan_v3.6, longjielidou_v3.6, loongeva_v3.6, loongjohn no Flash - Navegue pelo catálogo completo com GET /v1/voices e passe qualquer voz por qwen-audio-3.0-tts-plus 0__ Limites de entrada - Até 20.000 caracteres por requisição qwen-audio-3.0-tts-plus 1__ aceita até 128 caracteres - Entrada SSML não é suportada. Use qwen-audio-3.0-tts-plus 2__ para a direção de entrega e tags inline como qwen-audio-3.0-tts-plus 3__ ou qwen-audio-3.0-tts-plus 4__ dentro do texto Faturamento - Faturado por caractere do texto de entrada na taxa do nível selecionado
Na EmpirioLabs, Qwen Audio 3.0 TTS é cobrado por uso: Síntese Plus $0.20 por 10.000 caracteres; Síntese em flash $0.15 por 10.000 caracteres. A tabela de tarifas ao vivo desta página sempre corresponde ao que a API cobra.
Qwen Audio 3.0 TTS é servido por POST /v1/audio/speech em api.empiriolabs.ai com autenticação padrão por token Bearer.
Sim. O playground da EmpirioLabs executa Qwen Audio 3.0 TTS no navegador com os mesmos parâmetros que a API expõe, para você testar prompts antes de escrever código.
Crie uma conta EmpirioLabs e gere uma chave em API Keys no painel. A cobrança usa créditos pay-as-you-go, então você paga apenas pelas requisições que faz.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.
