Qwen Audio 3.1 TTS可在EmpirioLabs上收听。 它是阿里巴巴的实时语音合成模型，拥有19个语音，表达方式由你用通俗语言进行，并配有内联标签，可以改变情绪或在句中添加声音。它会返回完成的音频文件 /v1/audio/speech后 或者通过以下方式流式传输生成的音频 /v1/audio/speech:stream后在 API 和 Playground 中，以及在实时 API 上，它在文本仍在写入时就说出文本。
观看启动影片
影片中的每个声音都是真实的Qwen Audio 3.1 TTS输出：Brian以通俗语言担任预告片旁白，然后是Cindy、Ava和Andy，配有兴奋、低语和笑声的标签。图片为Qwen Image 2.1输出，配乐由ACE-Step在EmpirioLabs上生成。 在YouTube上观看。 。 。.
声音与语言
英文配音。 十五个声音说英语。艾米丽、露娜、埃里克和卢卡带有英国口音。艾比、安妮、艾娃、贝丝、贝蒂、凯莉、辛迪、唐娜、安迪、布莱恩和大卫都有美国口音。
多语言的声音。 longanhuan_v3.1, (中文), longanlingxin_v3.1, (中文), longanfengyue_v3.1， 和 xunanchuan_v3.1 阅读中文、英语及其他语言。
语言暗示。 对于混合语言的文本， language_hints 取一组语言代码，例如 [“恩”，“Zh”]，用于指导发音。支持十六种代码，包括 en, (中文), ZH, (中文), 是的, (中文), Ko, (中文), FR, (中文), de, (中文), es， 和 AR。 。 。.
你的第一个请求
curl https://api.empiriolabs.ai/v1/audio/speech \ -h “授权：持有者 $EMPIRIOLABS_API_KEY” \ -h “内容类型：application/json” \ -d '{ “型号”：“qwen-audio-3-1-tts”， “输入”：“[兴奋]我们到了发布日期！[笑声] 感谢大家熬夜。”， “voice”：“Ava_v3.1”， “instruction”：“温暖积极，像团队负责人分享好消息”， “response_format”：“mp3”， “sample_rate”： 24000 }'响应中包含生成音频的URL。输出为MP3、WAV、PCM或Opus格式，频率为8,000至48,000赫兹。 速度, (中文), 音高, (中文), 体积， 和 种子 可调节， 发音 以及 替换 固定名称、缩略语和品牌名称， enable_markdown_filter 这样可以防止字符格式被朗读出来。
指导分娩
- 指令。
教学为整段文字设定情感、语调、人物、节奏和说话风格，最多可达1000个字符。 - 送货标签。 一个标签，比如
[兴奋], (中文),[低语], (中文),[严肃]，或者[非常慢地]从出现点开始改变投递内容。 - 音效标签。 一个标签，比如
[笑], (中文),[叹气], (中文),[喘气]，或者[清嗓子]添加一次性音效。完整的标签列表见输入API引用中的参数。
流媒体
/v1/audio/speech:stream后 取同一个实体并返回服务器发送事件。每个事件 音频.chunk 事件携带一个 base64 音频块 audio_b64，按照要求的格式和采样率。最后一个 音频.完成 event 携带完整文件的 URL、时长和使用情况，随后为 [完成]。 。 。.
实时：写字时说话
通过实时API，Qwen Audio 3.1 TTS在文本到达时就开始语音，例如语言模型在流式传输时的回复。打开WebSocket wss：//api.empiriolabs.ai/v1/realtime？model=qwen-audio-3-1-tts 你的API密钥在 授权 头部，发送文本 input_text_buffer.append 分成任意大小的片段，并播放每个片段的音频 响应.音频.delta 活动。
{“type”： “session.update”， “session”： {“voice”：“Ava_v3.1”， “instruction”：“温暖，像深夜电台主持人”}}{“type”：“input_text_buffer.append”， “text”：“晚上好， }{”type“： ”input_text_buffer.append“， ”text“：”欢迎收看深夜版。“{”type“： ”session.finish“}- 正在发短信。
input_text_buffer.commit说出目前发送的所有内容。会话。结束说完剩下的部分，结束了本次会议。会议结束。 。 。. - 音频和设置。 音频默认为16位PCM，频率为24,000 Hz。
session.update设置语音、指令、格式（PCM, (中文),mp3，或者作品），采样率，以及其他语音设置，从下一段开始。 - 分段。 文本分段说出，段落在句子边界处结束，每个段子以
回复已完成该事件携带其使用。段落在无新文本的情况下结束，时间为8秒。 - 网页。 浏览器通过短暂的客户端秘密连接，来自
/v1/realtime/client_secrets后，所以你的API密钥会留在服务器上。
该 实时指南 拥有完整的 Python 客户端和事件引用。
作战笔记
- 每个声音的结尾都是
_v3.1。 。 。. 一个简单的名字，比如艾米丽，或Qwen Audio 3.0 TTS语音ID，随19个有效ID列表被拒绝。用途Emily_v3.1。 。 。. - 不支持SSML。 发送纯文本。使用
教学用于整体传递和文本内的内联标签。 - 每个请求最多可容纳10,000字符。 把更长的脚本拆分成多个请求。
定价
代币计费。 Qwen Audio 3.0 按字符计费 TTS 计费;Qwen Audio 3.1 TTS 计费令牌。你发送的文本作为输入令牌计费，生成的音频作为输出令牌计费，每秒 12.5 个令牌，实时会话对每个片段计费方式相同。该 速度 以及 音高 设置会改变音频长度，但不会改变计费令牌，而减慢传输速度的指令则会添加输出令牌。当前速率在 模型页面 页:1 定价页面。 。 。.
开始建造
试试Qwen Audio 3.1的TTS格式 游戏场，其中语音选择器和每个参数都是实时控制，并读取 API 文档 用于完整参数参考。
披露:这篇文章是在AI的协助下撰写的,并由EmpirioLabs AI审查.
