

La familia Qwen Audio 3.0 TTS de Alibaba sirve para aplicaciones sociales, de compañía y en tiempo real. Guíe la entrega vocal y el volumen de Plus con instrucciones en lenguaje natural, o use Flash para diálogos en vivo y servicio al cliente. Atlas Cloud ofrece un precio estándar de $0.02 por cada 1,000 caracteres de entrada para Plus y $0.015 para Flash, ayudándole a estimar los costos para cada carga de trabajo. Empiece a construir hoy mismo.
Qwen Audio 3.0 TTS ha sido desarrollado por Alibaba. Atlas Cloud (operado por Atlas Cloud AI LLC) proporciona acceso al modelo, pero no es su propietario. Todas las marcas comerciales pertenecen a sus respectivos titulares.
Atlas Cloud le proporciona los últimos modelos creativos líderes en la industria.
Elige voces insignia expresivas para experiencias de compañía o voz de baja latencia para interacciones en tiempo real.
| Modalidad | Descripción |
|---|---|
| Qwen Audio 3.0 TTS Flash API (Text to Speech) | Convierte texto en voz con síntesis de baja latencia, amplia compatibilidad con idiomas y cobertura de dialectos chinos. Las instrucciones flexibles guían la interpretación vocal de asistentes de voz, diálogos en directo y atención al cliente. El precio estándar es de $0.015 por cada 1,000 caracteres de entrada. |
| Qwen Audio 3.0 TTS Plus API (Text to Speech) | Este endpoint insignia, pensado para aplicaciones sociales y de compañía, convierte texto en voz natural y expresiva mediante voces del sistema. Ajusta la emoción, el tono, el rol, la velocidad y el volumen con instrucciones flexibles para dar forma a cada interacción. El precio estándar es de $0.02 por cada 1,000 caracteres de entrada. |
Elija Qwen Audio 3.0 TTS Flash o Plus para distintas necesidades conversacionales, con extensos catálogos de voz, síntesis multilingüe, locución ajustable, entrada de texto estructurado y salida de audio flexible a través de Atlas Cloud.
Qwen Audio 3.0 TTS ofrece Flash para interacciones de baja latencia y Plus para una voz de compañía natural y expresiva. Las tarifas estándar de Atlas Cloud son de $0.015 por cada 1,000 caracteres de entrada para Flash y $0.02 para Plus. Elija el modelo que se ajuste a las prioridades conversacionales de su producto, con facturación de pago por uso. Esto proporciona a los asistentes de voz, herramientas de servicio al cliente y aplicaciones sociales dos opciones de síntesis con precios claros.
Cada modelo 3.0 expone un catálogo de 597 voces base clonadas con muestras de vista previa y etiquetas de género e idioma. Explore las voces disponibles, escuche las muestras y pase el ID de voz del modelo seleccionado junto con su texto. Los ID de voz son específicos de cada modelo. Esto facilita la selección de un narrador o personaje acompañante antes de integrar la síntesis de voz en su aplicación.
Para la voz multilingüe, ambos modelos aceptan una indicación de idioma por solicitud, con 10 códigos admitidos que cubren chino, inglés, japonés, coreano, francés, alemán, portugués, italiano, vietnamita e indonesio. Establezca language_hints para el idioma deseado y elija una voz compatible. Flash también admite la síntesis de dialectos chinos. Los desarrolladores pueden utilizar estos controles para adaptar las experiencias de voz a audiencias internacionales y comunidades chinas regionales.
Indique al modelo cómo debe sentirse una frase mediante instrucciones en lenguaje natural sobre emoción, tono, personaje y estilo de expresión. Ambos modelos también ofrecen multiplicadores de velocidad y tono de 0.5 a 2.0 y volumen de 0 a 100. Combine una instrucción de estilo con estos controles numéricos para refinar el mismo guion. Los diálogos expresivos y las experiencias de acompañamiento se benefician de una expresión adaptada al momento.
Cuando un guion necesita pausas deliberadas o matemáticas habladas, ambos modelos admiten la entrada de SSML y LaTeX con enable_ssml habilitado. Envíe el texto preparado a través de la misma solicitud de síntesis en lugar de tratar cada pasaje como prosa simple. SSML proporciona una forma de marcar pausas, mientras que LaTeX representa fórmulas para la voz. Estas opciones de entrada son adecuadas para la narración educativa y los guiones que requieren una lectura más deliberada.
La entrega de audio admite cuatro formatos: MP3, PCM, WAV y Opus, con siete opciones de frecuencia de muestreo de 8.000 a 48.000 Hz. Seleccione output_format y sample_rate en su solicitud; bit_rate solo se aplica a Opus. Atlas Cloud utiliza el envío asíncrono y el sondeo de ID de tarea para recuperar las URL de audio generadas. Este flujo de trabajo permite a los equipos preparar archivos de voz para diferentes requisitos de reproducción y producción a través de una API.
Compare Qwen Audio 3.0 TTS con su sucesor insignia y una alternativa de ElevenLabs utilizando guiones idénticos que propician pausas sutiles, cambios emocionales y finales cálidos.
Shh... Pensé que te habíamos perdido. Espera, esa luz... ¡has encontrado el camino a casa! Ven aquí. Estás a salvo ahora, y esta noche, nadie tiene que enfrentarse a la oscuridad a solas.
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v3 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
Escuche... solo un pequeño crujido. Ahora, el primer bocado: corteza crujiente, mantequilla tibia, ¡pura alegría! Oh, es delicioso. Tome asiento. Siempre hay un lugar para usted en nuestra mesa.
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v3 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
Combina las voces expresivas de Plus con la síntesis de baja latencia de Flash en Qwen Audio 3.0 TTS para crear diálogos para compañeros virtuales, asistentes de voz, atención al cliente localizada, narraciones de historias, locuciones de marca y lecciones habladas.
Dota a tus compañeros virtuales de voces expresivas con Plus y usa instrucciones para definir la emoción, el tono y el papel. Crea saludos cálidos, intercambios divertidos o respuestas reconfortantes para aplicaciones sociales y experiencias interactivas con personajes.
Cuando los asistentes necesitan responder hablando, Flash ofrece síntesis de voz optimizada para una latencia baja y diálogos en tiempo real. Úsalo como capa de salida de voz en interfaces conversacionales que convierten texto generado en voz.
Flash admite varios idiomas y dialectos chinos, lo que permite ofrecer voz localizada en los procesos de atención al cliente. Convierte respuestas de ayuda escritas en indicaciones habladas para brindar asistencia regional adaptada al público de tu aplicación.
Con Plus, las instrucciones definen la emoción y el tono de la narración, mientras que los controles de voz ajustan el ritmo y el volumen. Produce pasajes narrados e intervenciones de personajes para audiolibros, aplicaciones de narración y contenido de audio por entregas.
Con Plus, convierte guiones de producto en locuciones expresivas y define el estilo de interpretación y la personalidad mediante instrucciones. Crea presentaciones de productos, clips promocionales y recorridos guiados por aplicaciones con una voz que refleje tu marca.
En aplicaciones educativas, Plus convierte textos didácticos en voz expresiva con velocidad y volumen ajustables. El profesorado puede crear ejemplos narrados, introducciones a lecciones y guías de estudio habladas, con una interpretación adecuada para sus materiales didácticos.
Compare Qwen Audio 3.0 TTS con las variantes 3.1 y los modelos MiniMax Speech según el enfoque de aplicación, los controles de voz, los formatos de audio y los precios estándar de Atlas Cloud.
| Modelo | Enfoque de aplicación | Controles de voz | Formatos de audio | Precio estándar / 1K caracteres |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | Voces expresivas para experiencias sociales y de compañía | Describe la emoción, el tono y el rol mediante instrucciones; ajusta la velocidad, el tono y el volumen | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Síntesis de baja latencia para asistentes, diálogos en directo y atención al cliente | Ajusta la velocidad, el tono y el volumen junto con instrucciones sobre la emoción y el estilo de habla | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | Voces de marca, audiolibros, doblaje e interpretaciones de personajes | Indica la expresión emocional y los roles de los personajes mediante instrucciones; ajusta la velocidad, el tono y el volumen | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Voz multilingüe y con dialectos para aplicaciones interactivas | Combina instrucciones en lenguaje natural con etiquetas expresivas y parámetros de voz ajustables | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | Generación de voz centrada en la naturalidad y la expresividad | Elige una voz y ajusta la velocidad, el tono y el volumen | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Generación rápida de voz con voces seleccionables y etiquetas de interjección | Usa ajustes predefinidos de emoción e interjecciones integradas en el texto; establece la velocidad, el tono y el volumen | MP3, WAV, FLAC | $0.06 |
Empieza en minutos — sigue estos sencillos pasos para integrar y desplegar modelos a través de la plataforma de Atlas Cloud.
Regístrate en atlascloud.ai y completa la verificación. Los nuevos usuarios reciben créditos gratuitos para explorar la plataforma y probar modelos.
Combina modelos avanzados de Qwen Audio 3.0 TTS con la plataforma acelerada por GPU de Atlas Cloud, proporcionando rendimiento, escalabilidad y experiencia de desarrollo incomparables.
Baja Latencia:
Inferencia optimizada por GPU para respuestas en tiempo real.
API Unificada:
Una sola integración para acceder a Qwen Audio 3.0 TTS, GPT, Gemini y DeepSeek.
Precios Transparentes:
Facturación por Token, soporta modo Serverless.
Experiencia del Desarrollador:
SDK, análisis de datos, herramientas de ajuste fino y plantillas todo en uno.
Confiabilidad:
99.99% de disponibilidad, control de permisos RBAC, registros de cumplimiento.
Seguridad y Cumplimiento:
Certificación SOC 2 Type II, cumplimiento HIPAA, soberanía de datos en EE.UU.
Qwen Audio 3.0 TTS es la familia de modelos de texto a voz de Alibaba, disponible en las variantes Plus y Flash en Atlas Cloud. Convierte texto escrito en voz y permite controlar la emoción, el tono, el carácter y la forma de hablar mediante instrucciones en lenguaje natural.
Crea experiencias de voz para compañeros sociales, asistentes de voz, diálogos interactivos y atención al cliente. Su expresividad hace que Plus sea adecuado para interacciones con compañeros virtuales, mientras que Flash está optimizado para aplicaciones que priorizan la generación de voz con baja latencia.
Crea una clave de API de Atlas Cloud y envía una solicitud POST autenticada a https://api.atlascloud.ai/api/v1/model/generateAudio con el modelo, el texto y la voz. Usa alibaba/qwen-audio-3.0-tts-plus/text-to-speech o alibaba/qwen-audio-3.0-tts-flash/text-to-speech como ID del modelo. Consulta https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id} con el ID de tarea devuelto hasta que termine la generación y, después, obtén la URL del audio en outputs.
El precio estándar en Atlas Cloud es de $0.02 por cada 1,000 caracteres de entrada para Plus y de $0.015 por cada 1,000 caracteres de entrada para Flash. Ambas variantes se facturan por caracteres según el uso.
La página de cada modelo en Atlas Cloud incluye 597 voces base, con etiquetas de idioma y género y muestras de audio. Los modelos admiten voz multilingüe y dialectos chinos, con indicaciones de idioma que incluyen chino, inglés, japonés y coreano. Escucha una muestra de voz en el idioma o dialecto que quieras usar antes de seleccionarla para producción.
Describe la emoción, el tono o el carácter que buscas en el parámetro instruction, y ajusta la velocidad, el tono y el volumen mediante sus parámetros específicos. Para introducir texto estructurado, enable_ssml admite SSML y LaTeX, lo que ofrece un control adicional sobre la síntesis de voz.
Elige MP3, PCM, WAV u Opus mediante output_format; MP3 es el formato predeterminado. Ambos modelos también ofrecen sample_rate, mientras que bit_rate se aplica específicamente a la salida Opus.
Elige Plus cuando una voz natural y expresiva sea fundamental para una experiencia social o de compañía. Si tu aplicación prioriza la interacción de baja latencia y un menor costo por carácter, Flash es una opción más adecuada para empezar. Compara ambas variantes con el mismo guion y el estilo de voz que buscas antes de decidir.
La integración documentada de Atlas Cloud usa un flujo asíncrono de envío y consulta periódica, y devuelve una URL de audio cuando termina la tarea. Diseña la reproducción teniendo en cuenta que este endpoint funciona mediante tareas y, si tu aplicación necesita recibir fragmentos de audio durante la generación, confirma por separado si está disponible la transmisión en tiempo real.
El error InvalidParameter puede aparecer si el ID de voz pertenece a otro modelo; selecciona una voz del catálogo asociado a la variante elegida. Al cambiar entre Plus y Flash, actualiza tanto el modelo como la voz, en lugar de reutilizar el ID de voz anterior.
Guías, tutoriales y novedades de producto para aprovechar al máximo Atlas Cloud.