

Qwen Audio 3.1 TTS bringt Alibabas Sprachsynthese-Familie zu Entwicklern. Flash bietet mehrsprachige Stimmen und chinesische Dialekte, einschließlich Shanghai-Dialekt und Kantonesisch, für interaktive Anwendungen. Plus unterstützt das Klonen von Stimmen aus verrauschten Referenz-Audios für erstklassige Spracharbeiten. Atlas Cloud listet Standardpreise pro 1.000 Zeichen von 0,003 $ für Flash und 0,03 $ für Plus. Beginnen Sie noch heute mit der Entwicklung.
Qwen Audio 3.1 TTS wurde von Alibaba entwickelt. Atlas Cloud (betrieben von Atlas Cloud AI LLC) stellt lediglich den Zugang bereit und ist nicht Eigentümerin des Modells. Alle Marken sind Eigentum ihrer jeweiligen Inhaber.
Atlas Cloud bietet Ihnen die neuesten branchenführenden kreativen Modelle.
Wählen Sie latenzarme Sprachsynthese für Live-Interaktionen oder hochwertige Sprachgenerierung mit zuverlässigem Klonen.
| Modalität | Beschreibung |
|---|---|
| Qwen Audio 3.1 TTS Flash (Text to Speech) | Wandeln Sie Text mit Systemstimmen, die mehrere Sprachen und chinesische Dialekte abdecken, in Sprache um. Über Anweisungen lassen sich Emotion, Tonfall, Rolle, Sprechtempo und Lautstärke steuern. Flash ist auf eine kurze Latenz bis zur ersten Audioausgabe optimiert und eignet sich für Sprachassistenten, Live-Gespräche und interaktiven Kundensupport. |
| Qwen Audio 3.1 TTS Plus (Text to Speech) | Für hochwertige Sprachproduktionen wandelt Plus Text in mehrsprachige Sprachaufnahmen oder Dialekte um und unterstützt zuverlässiges Stimmenklonen anhand verrauschter Referenzaufnahmen. Über Anweisungen lassen sich Emotion, Tonfall, Rolle, Sprechtempo und Lautstärke für markengerechte Sprechertexte, Hörbücher und Figureninszenierungen steuern. |
Von der latenzfokussierten Sprachsynthese von Flash bis hin zur Premium-Sprachproduktion von Plus kombiniert Qwen Audio 3.1 TTS mehrsprachige Bereitstellung, chinesische Dialekte, ausdrucksstarke Steuerungen und den vereinheitlichten API-Zugriff von Atlas Cloud.
Flash ist die Stufe mit niedriger Latenz von Qwen Audio 3.1 TTS, optimiert für die First-Packet-Response in Echtzeit-Interaktionen. Die Sprachsynthese kombiniert mehrsprachige Stimmen mit Anweisungen für Emotion, Tonfall, Rolle, Geschwindigkeit und Lautstärke. Beschreiben Sie die von Ihrer Anwendung benötigte Vortragsweise, während Sie den zu sprechenden Text bereitstellen. Diese Stufe eignet sich für Sprachassistenten, konversationelle Produkte und Kundenservice-Erlebnisse, bei denen eine reaktionsschnelle Sprachausgabe wichtig ist.
Plus bringt erstklassige Sprachsynthese und robustes Voice Cloning zu Qwen Audio 3.1 TTS, mit vier Systemstimmen, die im Parameterschema von Atlas Cloud verfügbar sind. Das Modell wurde entwickelt, um die Klarheit zu erhalten, wenn Referenzaufnahmen Rauschen oder Nachhall enthalten. Anweisungen in natürlicher Sprache formen die resultierende Emotion, den Tonfall und die Persona. Wählen Sie Plus für Marken-Erzählungen, Hörbuchproduktionen, Filmsynchronisationen und ausdrucksstarke Charakterdarstellungen.
Mehrsprachige Sprachausgabe und chinesische Dialekte stehen im Mittelpunkt dieser Familie, wobei Chinesisch, Englisch, Japanisch und Koreanisch zu den unterstützten Sprachen gehören. Die Dialektabdeckung von Flash umfasst Shanghaiisch, Kantonesisch, Nordostchinesisch und Sichuanesisch. Wählen Sie eine für die benötigte Sprache oder den Dialekt geeignete Stimme aus und steuern Sie deren Wiedergabe durch Anweisungen. Lokalisierte Sprachausgabe und regionale Stimmerlebnisse können widerspiegeln, wie die Zielgruppe tatsächlich spricht.
Steuern Sie die Darbietung mit natürlichsprachlichen Anweisungen für Emotionen, Tonfall, Rolle und Sprechstil. Bei Plus reichen Geschwindigkeit und Tonhöhe jeweils von 0,5 bis 2,0, während die Lautstärke von 0 bis 100 reicht. Kombinieren Sie diese Steuerungen mit Ihrem Skript, um das Tempo, das Stimmregister und den Ausgabepegel anzupassen. Eine solche Kontrolle hilft dabei, eine Passage für eine ruhige Erzählung, energiegeladene Werbeaktionen oder Charakterdialoge maßzuschneidern.
Die vier Ausgabeformate auf Plus umfassen MP3, PCM, WAV und Opus mit wählbaren Abtastraten von 8.000 bis 48.000 Hz. Wählen Sie das Format und die Rate, die zu Ihrer Audio-Pipeline passen. Aktivieren Sie SSML, wenn Ihre Eingabe unterstütztes Markup oder LaTeX verwendet. Diese Optionen helfen Entwicklern, synthetisierte Sprache für die Wiedergabe, Bearbeitung und für Bildungsinhalte aufzubereiten, ohne auf ein einziges Bereitstellungsformat angewiesen zu sein.
Atlas Cloud bietet für beide Stufen einen einheitlichen API-Zugang und eine zeichenbasierte Abrechnung mit Standardtarifen von 0,003 $ pro 1.000 Zeichen für Flash und 0,03 $ für Plus. Senden Sie für die Generierung mit Plus eine asynchrone Anfrage und rufen Sie deren prediction ID ab (Polling), bis das Audio bereit ist. Abgeschlossene Ergebnisse enthalten Audio-URLs. Dieser Workflow macht es praktikabel, die Sprachgenerierung in Anwendungen und Produktionswarteschlangen zu integrieren.
Vergleichen Sie Qwen Audio 3.1 TTS mit einem anderen Sprachmodell und dessen Vorgänger anhand identischer Skripte, die von intimem Storytelling bis hin zu Live-Sportkommentaren reichen.
Ich habe Ihren Platz am Fenster freigehalten. Jede Nacht dachte ich, Sie kämen vielleicht nach Hause. Warten Sie... sind Sie das wirklich? Sie sind hier! Kommen Sie herein, mein Liebling. Der Wasserkocher ist noch warm, nur für Sie.
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v4 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
Eine letzte Kurve, und sie liegt immer noch zurück. Hören Sie diese Menge... sie findet eine Lücke, übernimmt die Führung und gewinnt! Was für ein Finale! Atmen Sie durch, Champion. Jeder frühe Morgen hat Sie zu diesem Moment geführt.
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v4 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
Von Marken-Kampagnen und Hörbüchern bis hin zu Charakter-Dialogen, Sprachassistenten, regionalem Support und lokalisierten Lektionen – Qwen Audio 3.1 TTS bringt steuerbare Sprache in die Content-Produktion und interaktive Anwendungen.
Plus verwandelt Kampagnenskripte in erstklassige Voiceovers mit Anweisungen zu Emotionen, Tonfall und Vortragsweise. Erstellen Sie Sprechertexte für Produkteinführungen, Werbe-Audios und Markenbotschaften mit einem auf die jeweilige Kampagne zugeschnittenen Sprachstil.
Erwecken Sie Geschichten zum Leben durch die Plus-Narration mit steuerbaren Emotionen, Sprechgeschwindigkeit und Lautstärke. Verlage und Hörbuch-Apps können Kapitel-Skripte in ausdrucksstarkes Audio verwandeln und dabei die Vortragsweise für Dialoge und beschreibende Passagen anpassen.
Wenn Anwendungen gesprochene Antworten benötigen, bietet Flash eine Sprachsynthese, die für eine niedrige Latenz des ersten Pakets optimiert ist. Nutzen Sie dies als Sprachausgabeschicht für konversationsbasierte Assistenten, interaktive Begleiter und andere Dialogschnittstellen.
In allen unterstützten Sprachen und chinesischen Dialekten vertont Flash Kundenservice-Skripte mit anpassbarem Tonfall und anpassbarer Geschwindigkeit. Erstellen Sie gesprochene Hilfeantworten und regionale Ankündigungen für Benutzer, die eine vertraute Sprache und lokale Aussprache bevorzugen.
Gestalten Sie Charakterdarbietungen durch Plus-Anweisungen, die Emotionen, Rolle und Sprechstil für skriptbasierte Dialoge steuern. Spieleentwickler und Animationsteams können vertonte Szenen produzieren und dabei mit der Sprechweise experimentieren, um sie jedem Charakter anzupassen.
Für lokalisierte Lerninhalte wandelt die mehrsprachige Synthese Unterrichtsskripte in Sprache mit kontrollierbarem Tempo und Tonfall um. Bildungsplattformen können gesprochene Erklärungen und Hörübungen erstellen und die Vermittlung an verschiedene Zielgruppen und Unterrichtsformate anpassen.
Vergleichen Sie Qwen Audio 3.1 TTS, die Vorgängermodelle der 3.0-Serie und MiniMax Speech anhand der Steuerungsmöglichkeiten für die Sprachausgabe, der Audioformate und der Standardpreise bei Atlas Cloud.
| Modell | Steuerung der Sprachausgabe | Audioformate | Standardpreis / 1K Zeichen |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | Natürlichsprachliche Anweisungen für Emotion, Tonfall und Persona; anpassbare Geschwindigkeit, Tonhöhe und Lautstärke | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Emotion, Tonfall und Rolle direkt per Anweisung festlegen; Geschwindigkeit, Tonhöhe und Lautstärke präzise steuern | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | Ausdrucksvolle Sprachausgabe per Anweisung gestalten und Geschwindigkeit, Tonhöhe sowie Lautstärke anpassen | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Emotion und Sprechstil per Anweisung festlegen sowie Geschwindigkeit, Tonhöhe und Lautstärke anpassen | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | Auswahl an Emotionen sowie Einstellungen für Geschwindigkeit, Tonhöhe und Lautstärke | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Emotion und Stimmparameter festlegen; Interjektion-Tags und zeitlich abgestimmte Pausen einfügen | MP3, WAV, FLAC | $0.06 |
In wenigen Minuten startklar — folgen Sie diesen einfachen Schritten, um Modelle über die Plattform von Atlas Cloud zu integrieren und bereitzustellen.
Registrieren Sie sich auf atlascloud.ai und schließen Sie die Verifizierung ab. Neue Nutzer erhalten kostenlose Credits zum Erkunden der Plattform und Testen von Modellen.
Die Kombination der fortschrittlichen Qwen Audio 3.1 TTS-Modelle mit der GPU-beschleunigten Plattform von Atlas Cloud bietet unübertroffene Leistung, Skalierbarkeit und Entwicklererfahrung.
Niedrige Latenz:
GPU-optimierte Inferenz für Echtzeit-Reasoning.
Einheitliche API:
Führen Sie Qwen Audio 3.1 TTS, GPT, Gemini und DeepSeek mit einer Integration aus.
Transparente Preisgestaltung:
Vorhersehbare Token-basierte Abrechnung mit serverlosen Optionen.
Entwicklererfahrung:
SDKs, Analysen, Fine-Tuning-Tools und Vorlagen.
Zuverlässigkeit:
99,99% Verfügbarkeit, RBAC und compliance-bereite Protokollierung.
Sicherheit & Compliance:
SOC 2 Type II, HIPAA-Ausrichtung, Datensouveränität in den USA.
Qwen Audio 3.1 TTS ist Alibabas Modellfamilie für die Text-zu-Sprache-Synthese, wobei die Varianten Plus und Flash auf der Atlas Cloud verfügbar sind. Plus konzentriert sich auf erstklassige Sprachqualität, während Flash auf Interaktionen mit geringer Latenz sowie mehrsprachige Stimmen und die Unterstützung chinesischer Dialekte abzielt.
Erstellen Sie mit Plus Narrationen für Hörbücher, Markenhinhalte, Synchronisationen und Charakterdarstellungen. Für Sprachassistenten, konversationelle Anwendungen und den Kundenservice priorisiert Flash die reaktionsschnelle Sprachgenerierung.
Erstellen Sie einen Atlas Cloud API-Schlüssel und wählen Sie die Plus- oder Flash-Modell-ID auf der entsprechenden Modellseite aus. Übermitteln Sie Ihren Text und eine kompatible Stimme unter Verwendung der Bearer-Authentifizierung an den generateAudio-Endpoint. Behalten Sie die zurückgegebene Task-ID und fragen Sie den prediction-Endpoint per Polling ab, bis das generierte Audio verfügbar ist.
Die Sprachabdeckung hängt vom Modell und der ausgewählten Stimme ab. Flash enthält mehrsprachige Stimmen, die Japanisch, Koreanisch, Französisch, Deutsch, Portugiesisch, Italienisch, Vietnamesisch und Indonesisch sowie chinesische Dialekte wie Shanghaiisch, Kantonesisch und Nordostchinesisch unterstützen. Wählen Sie eine Stimme, die Ihre Zielsprache oder Ihren Zieldialekt unterstützt, bevor Sie die Sprachausgabe generieren.
Zu den unterstützten Audioausgabeformaten gehören MP3, PCM, WAV und Opus. SSML- und LaTeX-Eingaben werden ebenfalls unterstützt, wobei die Verfügbarkeit von SSML von der ausgewählten Stimme abhängt. Verwenden Sie in Atlas Cloud output_format, um das Audioformat auszuwählen, und enable_ssml, wenn Sie SSML übermitteln.
Verwenden Sie Anweisungen in natürlicher Sprache, um Emotionen, Tonfall, Persona und Sprechstil zu steuern. Atlas Cloud bietet zudem am Plus-Endpunkt Steuerungen für Geschwindigkeit, Tonhöhe und Lautstärke für präzisere Anpassungen der Sprachausgabe. Testen Sie Ihre Anweisungen mit der ausgewählten Stimme, um zu überprüfen, ob das Ergebnis Ihrer beabsichtigten Leistung entspricht.
Plus unterstützt robustes Voice Cloning aus Referenzaudio, das Rauschen oder Nachhall enthält. Bewerten Sie das synthetisierte Ergebnis mit repräsentativen Aufnahmen, bevor Sie es in der Produktion einsetzen, insbesondere wenn die Ähnlichkeit des Sprechers und die Aussprache wichtig sind.
Wählen Sie Plus, wenn Audiotreue und ausdrucksstarke Details am wichtigsten sind, wie z. B. für Markenstimmen, Hörbücher und Synchronisation. Flash wurde für Anwendungen entwickelt, bei denen eine niedrige First-Packet-Latenz im Vordergrund steht, darunter Sprachassistenten und interaktive Konversationen. Vergleichen Sie beide Modelle mit denselben Skripten und passenden Stimmen, bevor Sie sich für ein Produktionsmodell entscheiden.
Die Standardpreise von Atlas Cloud betragen 0,03 $ pro 1.000 Eingabezeichen für Plus und 0,003 $ pro 1.000 Eingabezeichen für Flash. Dies sind die vom Atlas Cloud-Backend bereitgestellten Standardtarife, exklusive Aktionsrabatte.
Flash ist auf Modellebene für die First-Packet-Latenz optimiert. Der dokumentierte Audio-Generierungs-Workflow von Atlas Cloud übermittelt eine asynchrone Aufgabe und ruft das abgeschlossene Ergebnis durch Polling der Aufgaben-ID ab. Messen Sie die Zeit von der Übermittlung bis zur Wiedergabe in Ihrer Anwendung, anstatt die Modell-Latenz als Garantie für eine Streaming-Bereitstellung zu betrachten.
Anleitungen, Tutorials und Produkt-Updates, mit denen Sie das Beste aus Atlas Cloud herausholen.