

Qwen Audio 3.1 TTS lleva la familia de síntesis de voz de Alibaba a los desarrolladores. Flash ofrece voces multilingües y dialectos chinos, incluidos el shanghainés y el cantonés, para aplicaciones interactivas. Plus admite la clonación de voz a partir de audio de referencia ruidoso para trabajos de voz de primera calidad. Atlas Cloud lista precios estándar por cada 1000 caracteres a 0,003 $ para Flash y 0,03 $ para Plus. Empiece a construir hoy mismo.
Qwen Audio 3.1 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 síntesis de voz de baja latencia para interacciones en directo o generación de voz insignia con clonación avanzada.
| Modalidad | Descripción |
|---|---|
| Qwen Audio 3.1 TTS Flash (Texto a voz) | Convierte texto en voz con voces del sistema que abarcan varios idiomas y dialectos chinos. Las instrucciones permiten controlar la emoción, el tono, el rol, la velocidad y el volumen. Optimizado para reducir la latencia de la primera respuesta de audio, Flash es ideal para asistentes de voz, conversaciones en directo y atención al cliente interactiva. |
| Qwen Audio 3.1 TTS Plus (Texto a voz) | Para una producción de voz prémium, Plus convierte texto en voz en varios idiomas o dialectos y permite clonar voces con precisión a partir de audio de referencia con ruido. Controla la emoción, el tono, el rol, la velocidad y el volumen mediante instrucciones para crear narraciones de marca, audiolibros e interpretaciones de personajes. |
Desde la síntesis de voz centrada en la latencia de Flash hasta la producción de voz de primera calidad de Plus, Qwen Audio 3.1 TTS combina la entrega multilingüe, los dialectos chinos, los controles expresivos y el acceso unificado a la API de Atlas Cloud.
Flash es el nivel de baja latencia de Qwen Audio 3.1 TTS, optimizado para la respuesta del primer paquete en interacciones en tiempo real. Su síntesis de voz combina voces multilingües con instrucciones de emoción, tono, rol, velocidad y volumen. Describa la expresión que necesita su aplicación al mismo tiempo que proporciona el texto que se va a pronunciar. Este nivel es ideal para asistentes de voz, productos conversacionales y experiencias de servicio al cliente donde la capacidad de respuesta de la voz es fundamental.
Plus incorpora síntesis de voz premium y clonación de voz robusta a Qwen Audio 3.1 TTS, con cuatro voces del sistema disponibles en el esquema de parámetros de Atlas Cloud. El modelo está diseñado para mantener la claridad cuando las grabaciones de referencia contienen ruido o reverberación. Las instrucciones en lenguaje natural dan forma a la emoción, el tono y la personalidad resultantes. Elija Plus para narración de marcas, producción de audiolibros, doblaje de películas y actuaciones expresivas de personajes.
El habla multilingüe y los dialectos chinos ocupan un lugar central en esta familia, siendo el chino, inglés, japonés y coreano algunos de los idiomas compatibles. La cobertura de dialectos de Flash incluye el shanghainés, cantonés, del noreste y sichuanés. Seleccione una voz adecuada para el idioma o dialecto que necesite, y luego guíe su expresión mediante instrucciones. La narración localizada y las experiencias de voz regionales pueden reflejar cómo habla realmente su audiencia.
Dirija la interpretación con instrucciones en lenguaje natural para la emoción, el tono, el rol y el estilo de habla. En Plus, la velocidad y el tono varían de 0.5 a 2.0, mientras que el volumen va de 0 a 100. Combine estos controles con su guion para ajustar el ritmo, el registro vocal y el nivel de salida. Este tipo de control ayuda a adaptar un pasaje para una narración tranquila, promociones enérgicas o diálogos de personajes.
Los cuatro formatos de salida en Plus incluyen MP3, PCM, WAV y Opus, con frecuencias de muestreo seleccionables de 8.000 a 48.000 Hz. Elija el formato y la frecuencia que mejor se adapten a su flujo de trabajo de audio. Habilite SSML cuando su entrada utilice marcas compatibles o LaTeX. Estas opciones ayudan a los desarrolladores a preparar voz sintetizada para reproducción, edición y contenido educativo sin depender de un único formato de entrega.
Atlas Cloud proporciona acceso API unificado y facturación basada en caracteres para ambos niveles, con tarifas estándar de $0.003 por cada 1,000 caracteres para Flash y $0.03 para Plus. Para la generación con Plus, envíe una solicitud asíncrona y consulte su prediction ID hasta que el audio esté listo. Los resultados completados contienen las URL del audio. Este flujo de trabajo hace que la generación de voz sea práctica de integrar en aplicaciones y colas de producción.
Compare Qwen Audio 3.1 TTS con otro modelo de voz y su predecesor utilizando guiones idénticos que van desde la narración íntima hasta los comentarios deportivos en directo.
He guardado su asiento junto a la ventana. Cada noche, pensaba que tal vez volvería a casa. Un momento... ¿de verdad es usted? ¡Está aquí! Pase, amor mío. La tetera aún está caliente, solo para usted.
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
Una última curva, y ella todavía está atrás. Escuche a esa multitud... ¡encuentra un hueco, toma la delantera y gana! ¡Qué final! Respira, campeona. Cada madrugada te ha traído a este momento.
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
Desde campañas de marca y audiolibros hasta diálogos de personajes, asistentes de voz, soporte regional y lecciones localizadas, Qwen Audio 3.1 TTS aporta voz controlable a la producción de contenido y a las aplicaciones interactivas.
Plus convierte los guiones de campañas en locuciones de alta calidad mediante instrucciones de emoción, tono e interpretación. Cree narraciones para lanzamientos de productos, audios promocionales y mensajes de marca con un estilo de voz adaptado a cada campaña.
Dé vida a las historias mediante la narración Plus con control de emoción, velocidad de habla y volumen. Los editores y las aplicaciones de audiolibros pueden convertir los guiones de los capítulos en audio expresivo, ajustando la interpretación para los diálogos y los pasajes descriptivos.
Cuando las aplicaciones necesitan respuestas habladas, Flash ofrece síntesis de voz optimizada para una baja latencia del primer paquete. Utilícelo como la capa de salida de voz para asistentes conversacionales, compañeros interactivos y otras interfaces de diálogo.
En los idiomas y dialectos chinos compatibles, Flash da voz a los guiones de servicio al cliente con tono y velocidad ajustables. Cree respuestas de ayuda habladas y anuncios regionales para los usuarios que prefieren un idioma familiar y una pronunciación local.
Dé forma a las interpretaciones de los personajes a través de las instrucciones Plus que guían la emoción, el rol y el estilo de habla para los diálogos guionizados. Los desarrolladores de juegos y los equipos de animación pueden producir escenas con voz, experimentando con la interpretación vocálica para adaptarse a cada personaje.
Para el contenido de aprendizaje localizado, la síntesis multilingüe convierte los guiones de las lecciones en voz con un ritmo y tono controlables. Las plataformas educativas pueden producir explicaciones habladas y ejercicios de escucha, adaptando la presentación a diferentes audiencias y formatos de lección.
Compara Qwen Audio 3.1 TTS, sus predecesores 3.0 y los modelos MiniMax Speech según los controles de interpretación, los formatos de audio y los precios estándar de Atlas Cloud.
| Modelo | Controles de interpretación | Formatos de audio | Precio estándar / 1K caracteres |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | Instrucciones en lenguaje natural para definir emoción, tono y personaje; velocidad, tono y volumen ajustables | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Define directamente la emoción, el tono y el rol mediante instrucciones; control preciso de la velocidad, el tono y el volumen | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | Da forma a una interpretación expresiva mediante instrucciones y ajusta la velocidad, el tono y el volumen | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Emoción y estilo de habla definidos mediante instrucciones, además de ajustes de velocidad, tono y volumen | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | Selección de emociones y ajustes de velocidad, tono y volumen | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Define la emoción y los parámetros vocales; inserta etiquetas de interjección y pausas temporizadas | 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 3.1 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 3.1 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 3.1 TTS es la familia de modelos de texto a voz de Alibaba, con las variantes Plus y Flash disponibles en Atlas Cloud. Plus se centra en una calidad de voz superior, mientras que Flash está diseñado para interacciones de baja latencia con voces multilingües y soporte para dialectos chinos.
Cree narraciones para audiolibros, contenido de marca, doblaje y actuaciones de personajes con Plus. Para asistentes de voz, aplicaciones conversacionales y servicio al cliente, Flash prioriza la generación de voz de respuesta rápida.
Cree una clave API de Atlas Cloud y seleccione el ID del modelo Plus o Flash desde su página de modelos. Envíe su texto y una voz compatible al endpoint generateAudio utilizando autenticación Bearer. Conserve el ID de tarea devuelto y realice un sondeo en el endpoint prediction hasta que el audio generado esté disponible.
La cobertura de idiomas depende del modelo y de la voz seleccionada. Flash incluye voces multilingües que admiten japonés, coreano, francés, alemán, portugués, italiano, vietnamita e indonesio, junto con dialectos chinos como el shanghainés, el cantonés y el chino del noreste. Elija una voz que admita su idioma o dialecto de destino antes de generar voz.
Los formatos de salida de audio compatibles incluyen MP3, PCM, WAV y Opus. También se admiten entradas SSML y LaTeX, aunque la disponibilidad de SSML depende de la voz seleccionada. En Atlas Cloud, utilice output_format para elegir el formato de audio y enable_ssml al enviar SSML.
Utilice instrucciones en lenguaje natural para guiar la emoción, el tono, el personaje y el estilo de habla. Atlas Cloud también expone controles de velocidad, tono y volumen en el endpoint Plus para realizar ajustes de entrega más precisos. Pruebe sus instrucciones con la voz seleccionada para comprobar que el resultado coincide con el rendimiento previsto.
Plus admite una clonación de voz robusta a partir de audios de referencia que contienen ruido o reverberación. Evalúe el resultado sintetizado con grabaciones representativas antes de usarlo en producción, especialmente cuando la similitud del hablante y la pronunciación son importantes.
Elija Plus cuando la fidelidad de audio y el detalle expresivo sean primordiales, como para voces de marca, audiolibros y doblaje. Flash está diseñado para aplicaciones que priorizan una baja latencia del primer paquete, incluidos los asistentes de voz y las conversaciones interactivas. Compare ambos usando los mismos guiones y voces adecuadas antes de seleccionar un modelo de producción.
Los precios estándar de Atlas Cloud son de 0,03 $ por cada 1.000 caracteres de entrada para Plus y de 0,003 $ por cada 1.000 caracteres de entrada para Flash. Estas son las tarifas estándar suministradas por el backend de Atlas Cloud, excluyendo los descuentos promocionales.
Flash está optimizado para la latencia del primer paquete a nivel de modelo. El flujo de trabajo de generación de audio documentado de Atlas Cloud envía una tarea asíncrona y recupera el resultado completado mediante el sondeo de su ID de tarea. Mida el tiempo transcurrido desde el envío hasta la reproducción en su aplicación en lugar de considerar la latencia del modelo como una garantía de entrega por streaming.
Guías, tutoriales y novedades de producto para aprovechar al máximo Atlas Cloud.