Síntese de voz em tempo real com 19 vozes, direção de entrega em linguagem simples, etiquetas de emoção e som em linha, e áudio transmitido via SSE ou WebSocket.
Alibaba CloudGeração de ÁudioLançado 23 de set. de 2026SingaporeEndpoint proprietárioNovoSíntese de voz em tempo real com 19 vozes, direção de entrega em linguagem simples, etiquetas de emoção e som em linha, e áudio transmitido via SSE ou WebSocket.
Escolha uma das 19 vozes com voz. Dirija a entrega com instruções e com tags inline dentro do texto. Velocidade e tom mudam o comprimento renderizado sem alterar os tokens faturados.
Também conhecido como Qwen Audio TTS, Alibaba Cloud Qwen Audio 3.1 TTS
qwen-audio-3-1-tts/v1/audio/speechPOST/v1/audio/speech:streamWEBSOCKET/v1/realtimeqwen-audio-3.1-ttsqwen-audio-3.1-tts-flashalibaba/qwen-audio-3-1-ttsTarifas pay-as-you-go ao vivo do catálogo EmpirioLabs. Você paga só pelo que usa, sem mínimo mensal.
Qwen Audio 3.1 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-3-1-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-3-1-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-3-1-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)Parâmetros de requisição suportados pela API Qwen Audio 3.1 TTS na EmpirioLabs. Os padrões valem quando um campo é omitido.
| Parâmetro | Tipo | Padrão | Intervalo / valores | Descrição |
|---|---|---|---|---|
| input | string | - | máx. 10000 | Texto para sintetizar, até 10.000 caracteres por pedido. Essas tags inline mudam a forma de ser transmitidas a partir do momento em que aparecem: [triste],... |
| voice | enum | Emily_v3.1 | Emily_v3.1, Luna_v3.1, Eric_v3.1, Luca_v3.1, Abby_v3.1, Annie... | Predefinição de voz. As 15 vozes em inglês leem inglês, e as 4 vozes multilíngues leem chinês, inglês e outros idiomas. Cada identificação de voz termina em _v3.1,... |
| response_format | enum | mp3 | mp3, wav, pcm, opus | contêiner de áudio. MP3 e OPOPUS são comprimidos, WAV é PCM não comprimido em um cabeçalho RIFF, e PCM são samples brutos sem cabeçalho para reprodução em blocos. |
| sample_rate | enum | 24000 | 8000, 12000, 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. 1000 | Direção em linguagem natural para entrega, até 1.000 caracteres. Controla emoção, tom, caráter, ritmo e estilo de fala, por exemplo: 'Fale rápido em um tom animado e... |
| language_hints | array | - | zh, en, fr, de, ja, ko, ru, pt, th, id, vi, es, it, ms, fil, ar | 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 | 6000 a 510000 | 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. |
| enable_markdown_filter | boolean | false | - | Retire a sintaxe do Markdown, como asteriscos e sublinhados, antes da síntese para que os caracteres de formatação não sejam lidos em voz alta. |
Na EmpirioLabs, Qwen Audio 3.1 TTS é cobrado por uso: Entrada $0.46 por 1M de tokens de prompt; Saída $3.74 por 1M de tokens gerados. A tabela de tarifas ao vivo desta página sempre corresponde ao que a API cobra.
Qwen Audio 3.1 TTS é servido por POST /v1/audio/speech em api.empiriolabs.ai com autenticação padrão por token Bearer.
Abra o playground da EmpirioLabs e clique em Start session para testar no navegador. Qwen Audio 3.1 TTS funciona sobre um WebSocket em vez de requisição e resposta, então para integrar comece pelo guia rápido de voz em tempo real. Conecte-se do seu servidor com sua chave de API da EmpirioLabs e o id de modelo qwen-audio-3-1-tts e transmita áudio nos dois sentidos.
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.
