

Alibaba का Qwen Audio 3.0 TTS परिवार सोशल, साथी और रीयल-टाइम एप्लिकेशन को सेवा प्रदान करता है। प्राकृतिक भाषा निर्देशों के साथ Plus की वोकल डिलीवरी और वॉल्यूम को निर्देशित करें, या लाइव डायलॉग और ग्राहक सेवा के लिए Flash का उपयोग करें। Atlas Cloud, Plus के लिए प्रति 1,000 इनपुट वर्णों पर $0.02 और Flash के लिए $0.015 की मानक मूल्य निर्धारण प्रदान करता है, जिससे आपको प्रत्येक वर्कलोड के लिए लागत का अनुमान लगाने में मदद मिलती है। आज ही निर्माण शुरू करें।
Qwen Audio 3.0 TTS को Alibaba द्वारा विकसित किया गया है। Atlas Cloud (Atlas Cloud AI LLC द्वारा संचालित) इस तक पहुँच प्रदान करता है, इसका स्वामी नहीं है। सभी ट्रेडमार्क उनके संबंधित स्वामियों की संपत्ति हैं।
Atlas Cloud आपको उद्योग में अग्रणी नवीनतम रचनात्मक मॉडल प्रदान करता है।
कंपैनियन अनुभवों के लिए भावपूर्ण फ्लैगशिप आवाज़ें या रियल-टाइम संवाद के लिए कम लेटेंसी वाली स्पीच चुनें।
| मोडैलिटी | विवरण |
|---|---|
| Qwen Audio 3.0 TTS Flash API (टेक्स्ट टू स्पीच) | कम लेटेंसी सिंथेसिस, कई भाषाओं के व्यापक समर्थन और चीनी बोलियों की सुविधा के साथ टेक्स्ट को स्पीच में बदलें। लचीले निर्देश वॉइस असिस्टेंट, लाइव संवाद और ग्राहक सेवा के लिए बोलने के अंदाज़ को नियंत्रित करते हैं। मानक मूल्य 1,000 इनपुट अक्षरों के लिए $0.015 है। |
| Qwen Audio 3.0 TTS Plus API (टेक्स्ट टू स्पीच) | सोशल और कंपैनियन ऐप्लिकेशन के लिए, यह फ्लैगशिप एंडपॉइंट सिस्टम आवाज़ों का उपयोग करके टेक्स्ट को स्वाभाविक और भावपूर्ण स्पीच में बदलता है। हर संवाद को अपनी ज़रूरत के मुताबिक ढालने के लिए लचीले निर्देशों से भावना, लहजा, भूमिका, गति और वॉल्यूम नियंत्रित करें। मानक मूल्य 1,000 इनपुट अक्षरों के लिए $0.02 है। |
विशिष्ट संवादात्मक आवश्यकताओं के लिए Qwen Audio 3.0 TTS Flash या Plus चुनें, जो Atlas Cloud के माध्यम से व्यापक वॉयस कैटलॉग, बहुभाषी सिंथेसिस, समायोज्य वॉयस डिलीवरी, संरचित टेक्स्ट इनपुट और लचीले ऑडियो आउटपुट के साथ आता है।
Qwen Audio 3.0 TTS कम विलंबता इंटरैक्शन के लिए Flash और प्राकृतिक, भावपूर्ण साथी आवाज़ के लिए Plus प्रदान करता है। मानक Atlas Cloud दरें Flash के लिए प्रति 1,000 इनपुट कैरेक्टर $0.015 और Plus के लिए $0.02 हैं। पे-एज़-यू-गो बिलिंग के साथ, वह मॉडल चुनें जो आपके उत्पाद की संवादात्मक प्राथमिकताओं से मेल खाता हो। यह वॉयस असिस्टेंट, ग्राहक सेवा टूल और सोशल एप्लिकेशन को दो स्पष्ट कीमत वाले सिंथेसिस विकल्प प्रदान करता है।
प्रत्येक 3.0 मॉडल 597 वॉयस-क्लोन बेस आवाज़ों की एक सूची प्रस्तुत करता है, जिसमें पूर्वावलोकन नमूने और लिंग तथा भाषा लेबल शामिल हैं। उपलब्ध आवाज़ों को ब्राउज़ करें, नमूने सुनें, और अपने टेक्स्ट के साथ चयनित मॉडल का वॉयस ID पास करें। वॉयस ID उनके मॉडल के लिए विशिष्ट होते हैं। इससे आपके एप्लिकेशन में स्पीच को एकीकृत करने से पहले किसी कथावाचक या साथी चरित्र का चयन करना आसान हो जाता है।
बहुभाषी स्पीच के लिए, दोनों मॉडल प्रति अनुरोध एक भाषा संकेत स्वीकार करते हैं, जिसमें 10 समर्थित कोड शामिल हैं जो चीनी, अंग्रेजी, जापानी, कोरियाई, फ्रेंच, जर्मन, पुर्तगाली, इतालवी, वियतनामी और इंडोनेशियाई को कवर करते हैं। इच्छित भाषा के लिए language_hints सेट करें और एक संगत आवाज़ चुनें। Flash चीनी बोली संश्लेषण का भी समर्थन करता है। डेवलपर इन नियंत्रणों का उपयोग अंतरराष्ट्रीय दर्शकों और क्षेत्रीय चीनी समुदायों के लिए बोले जाने वाले अनुभवों को अनुकूलित करने के लिए कर सकते हैं।
भावना, स्वर, व्यक्तित्व और प्रस्तुति के लिए प्राकृतिक भाषा निर्देशों के माध्यम से मॉडल को बताएं कि संवाद की कोई पंक्ति कैसी लगनी चाहिए। दोनों मॉडल 0.5 से 2.0 तक के गति और पिच मल्टीप्लायर और 0 से 100 तक का वॉल्यूम नियंत्रण भी प्रदान करते हैं। उसी स्क्रिप्ट को परिष्कृत करने के लिए इन संख्यात्मक नियंत्रणों के साथ एक शैली निर्देश को मिलाएं। अभिव्यंजक संवाद और साथी अनुभव, स्थिति के अनुकूल प्रस्तुति से लाभान्वित होते हैं।
जब किसी स्क्रिप्ट को जानबूझकर ठहराव या बोली जाने वाली गणित की आवश्यकता होती है, तो दोनों मॉडल enable_ssml सक्षम होने पर SSML और LaTeX इनपुट का समर्थन करते हैं। प्रत्येक गद्यांश को साधारण गद्य के रूप में मानने के बजाय उसी संश्लेषण अनुरोध के माध्यम से तैयार पाठ सबमिट करें। SSML ठहराव को चिह्नित करने का एक तरीका प्रदान करता है, जबकि LaTeX भाषण के लिए सूत्रों का प्रतिनिधित्व करता है। ये इनपुट विकल्प शैक्षिक कथन और ऐसी स्क्रिप्ट के लिए उपयुक्त हैं जिन्हें अधिक विचारशील पढ़ने की आवश्यकता होती है।
ऑडियो डिलीवरी चार फॉर्मेट को सपोर्ट करती है: MP3, PCM, WAV और Opus, जिसमें 8,000 से 48,000 Hz तक सात सैंपल रेट विकल्प हैं। अपने अनुरोध में output_format और sample_rate चुनें; bit_rate केवल Opus पर लागू होता है। Atlas Cloud जनरेट किए गए ऑडियो URL प्राप्त करने के लिए एसिंक्रोनस सबमिशन और टास्क ID पोलिंग का उपयोग करता है। यह वर्कफ़्लो टीमों को एक API के माध्यम से विभिन्न प्लेबैक और उत्पादन आवश्यकताओं के लिए स्पीच फ़ाइलें तैयार करने में सक्षम बनाता है।
समान स्क्रिप्ट का उपयोग करके Qwen Audio 3.0 TTS की इसके फ्लैगशिप उत्तराधिकारी और ElevenLabs के विकल्प के साथ तुलना करें, जो सूक्ष्म ठहराव, भावनात्मक बदलाव और गर्मजोशी से भरे अंत को आमंत्रित करते हैं।
शश... मुझे लगा हमने तुम्हें खो दिया था। रुको, वह रोशनी... तुमने घर का रास्ता ढूँढ लिया! यहाँ आओ। तुम अब सुरक्षित हो, और आज रात, किसी को भी अकेले अंधेरे का सामना नहीं करना पड़ेगा।
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
सुनिए... बस थोड़ी सी कड़कड़ाहट। अब, पहला निवाला: कुरकुरी परत, गर्म मक्खन, शुद्ध आनंद! ओह, यह स्वादिष्ट है। एक कुर्सी लीजिए। हमारी मेज पर आपके लिए हमेशा जगह है।
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
Qwen Audio 3.0 TTS में अभिव्यक्तिपूर्ण Plus आवाज़ों को कम विलंबता वाले Flash सिंथेसिस के साथ जोड़कर साथी संवाद, वॉइस असिस्टेंट, स्थानीयकृत सहायता, कहानी-वाचन, ब्रांड वॉइसओवर और बोली जाने वाली सीखने की सामग्री तैयार करें।
Plus की मदद से वर्चुअल साथियों को अभिव्यक्तिपूर्ण आवाज़ें दें। निर्देशों के ज़रिए भाव, लहजे और भूमिका को ढालें। सोशल ऐप्स और इंटरैक्टिव किरदार अनुभवों के लिए स्नेहपूर्ण अभिवादन, मज़ेदार बातचीत या भरोसा दिलाने वाले जवाब तैयार करें।
जब असिस्टेंट को जवाब बोलकर देने हों, तो Flash कम विलंबता और लाइव संवाद के लिए अनुकूलित वाक् सिंथेसिस उपलब्ध कराता है। संवादात्मक इंटरफ़ेस में इसे वॉइस आउटपुट परत के रूप में इस्तेमाल करें, जो जनरेट किए गए टेक्स्ट को वाणी में बदलती है।
Flash कई भाषाओं और चीनी बोलियों का समर्थन करता है, जिससे ग्राहक सेवा कार्यप्रवाहों में स्थानीयकृत वाणी उपलब्ध होती है। लिखित सहायता जवाबों को बोली जाने वाली मार्गदर्शिका में बदलें और अपने ऐप के दर्शकों के अनुरूप क्षेत्रीय सहायता अनुभव तैयार करें।
Plus में निर्देश कथावाचक के भाव और लहजे को ढालते हैं, जबकि वाक् नियंत्रण गति और आवाज़ की मात्रा समायोजित करते हैं। ऑडियोबुक परियोजनाओं, कहानी सुनाने वाले ऐप्स और धारावाहिक ऑडियो सामग्री के लिए कहानी के अंश और किरदारों के संवाद तैयार करें।
Plus के ज़रिए उत्पाद की स्क्रिप्ट को अभिव्यक्तिपूर्ण वॉइसओवर में बदलें; निर्देश प्रस्तुति की शैली और व्यक्तित्व तय करते हैं। अपनी ब्रांड पहचान के अनुरूप वॉइस शैली के साथ उत्पाद परिचय, प्रचार क्लिप और ऐप का उपयोग समझाने वाले ऑडियो तैयार करें।
शिक्षा ऐप्स के लिए Plus निर्देशात्मक टेक्स्ट को समायोज्य गति और आवाज़ की मात्रा के साथ अभिव्यक्तिपूर्ण वाणी में बदलता है। शिक्षक अपनी शिक्षण सामग्री के अनुकूल प्रस्तुति शैली में उदाहरण, पाठ-परिचय और बोली जाने वाली अध्ययन मार्गदर्शिकाएँ तैयार कर सकते हैं।
एप्लिकेशन फ़ोकस, स्पीच नियंत्रण, ऑडियो फ़ॉर्मेट और मानक Atlas Cloud मूल्य निर्धारण के आधार पर Qwen Audio 3.0 TTS की 3.1 वेरिएंट और MiniMax Speech मॉडल के साथ तुलना करें।
| मॉडल | ऐप्लिकेशन का उपयोग | वॉइस कंट्रोल | ऑडियो फ़ॉर्मैट | मानक कीमत / 1K अक्षर |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | सोशल और साथी अनुभवों के लिए भावपूर्ण आवाज़ें | निर्देशों के ज़रिए भावना, लहजा और भूमिका बताएँ; गति, पिच और वॉल्यूम समायोजित करें | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | असिस्टेंट, लाइव संवाद और ग्राहक सेवा के लिए कम विलंबता वाला सिंथेसिस | भावना और बोलने की शैली के निर्देशों के साथ गति, पिच और वॉल्यूम समायोजित करें | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | ब्रांड की आवाज़ें, ऑडियोबुक, डबिंग और किरदारों का अभिनय | निर्देशों के ज़रिए भावनात्मक प्रस्तुति और किरदार की भूमिकाएँ तय करें; गति, पिच और वॉल्यूम बेहतर करें | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | इंटरैक्टिव ऐप्लिकेशन के लिए बहुभाषी और बोली-विशिष्ट वाणी | प्राकृतिक भाषा में दिए गए निर्देशों को भावपूर्ण टैग और समायोज्य वाक् पैरामीटर के साथ जोड़ें | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | स्वाभाविकता और अभिव्यक्ति की गुणवत्ता पर केंद्रित वाणी निर्माण | आवाज़ चुनें और गति, पिच तथा वॉल्यूम समायोजित करें | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | चुनने योग्य आवाज़ों और बीच के उद्गारों वाले टैग के साथ तेज़ वाणी निर्माण | भावना के प्रीसेट और इनलाइन उद्गारों का उपयोग करें; गति, पिच और वॉल्यूम तय करें | MP3, WAV, FLAC | $0.06 |
कुछ ही मिनटों में शुरू करें — इन सरल चरणों का पालन करके Atlas Cloud प्लेटफ़ॉर्म के ज़रिए मॉडल इंटीग्रेट और डिप्लॉय करें।
atlascloud.ai पर साइन अप करें और वेरिफिकेशन पूरा करें। नए यूज़र्स को प्लेटफ़ॉर्म एक्सप्लोर करने और मॉडल टेस्ट करने के लिए फ्री क्रेडिट मिलते हैं।
बेजोड़ प्रदर्शन, स्केलेबिलिटी और विकास अनुभव के लिए उन्नत Qwen Audio 3.0 TTS मॉडल को Atlas Cloud के GPU त्वरण प्लेटफ़ॉर्म के साथ संयोजित करें।
कम विलंबता:
रियल-टाइम प्रतिक्रिया के लिए GPU-अनुकूलित इंफरेंसिंग।
एकीकृत API:
Qwen Audio 3.0 TTS, GPT, Gemini और DeepSeek के लिए एक इंटीग्रेशन।
पारदर्शी मूल्य निर्धारण:
प्रति token बिलिंग, Serverless मोड का समर्थन।
डेवलपर अनुभव:
SDK, डेटा एनालिटिक्स, फाइन-ट्यूनिंग टूल और टेम्पलेट पूरी तरह से उपलब्ध हैं।
विश्वसनीयता:
99.99% उपलब्धता, RBAC अनुमति नियंत्रण, अनुपालन लॉगिंग।
सुरक्षा और अनुपालन:
SOC 2 Type II प्रमाणन, HIPAA अनुपालन, US डेटा संप्रभुता।
Qwen Audio 3.0 TTS, Alibaba के टेक्स्ट-टू-स्पीच मॉडल परिवार का हिस्सा है, जो Atlas Cloud पर Plus और Flash वेरिएंट में उपलब्ध है। यह लिखे हुए टेक्स्ट को बोली में बदलता है। प्राकृतिक भाषा में दिए गए निर्देशों से भावना, लहजा, चरित्र और बोलने का अंदाज़ नियंत्रित किया जा सकता है।
सोशल साथी, वॉइस असिस्टेंट, इंटरैक्टिव संवाद और ग्राहक सहायता के लिए वाक्-आधारित अनुभव बनाएँ। Plus की अभिव्यक्तिपूर्ण प्रस्तुति साथी के साथ बातचीत के लिए उपयुक्त है, जबकि Flash उन ऐप्लिकेशन के लिए तैयार किया गया है जहाँ कम विलंबता में वाक्-निर्माण प्राथमिकता है।
Atlas Cloud API key बनाएँ, फिर model, text और voice के साथ प्रमाणित POST अनुरोध https://api.atlascloud.ai/api/v1/model/generateAudio पर भेजें। मॉडल ID के रूप में alibaba/qwen-audio-3.0-tts-plus/text-to-speech या alibaba/qwen-audio-3.0-tts-flash/text-to-speech का उपयोग करें। लौटाए गए task ID के साथ https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id} को तब तक पोल करें, जब तक जनरेशन पूरा न हो जाए। इसके बाद outputs से ऑडियो URL प्राप्त करें।
Atlas Cloud पर मानक मूल्य Plus के लिए प्रति 1,000 इनपुट वर्ण $0.02 और Flash के लिए प्रति 1,000 इनपुट वर्ण $0.015 है। दोनों वेरिएंट में वर्ण-आधारित पे-एज़-यू-गो बिलिंग लागू होती है।
हर वेरिएंट के Atlas Cloud मॉडल पेज पर भाषा और लिंग के लेबल तथा प्रीव्यू नमूनों के साथ 597 बेस आवाज़ें सूचीबद्ध हैं। मॉडल बहुभाषी वाक् और चीनी बोलियों का समर्थन करते हैं। भाषा संकेतों में चीनी, अंग्रेज़ी, जापानी और कोरियाई शामिल हैं। प्रोडक्शन के लिए आवाज़ चुनने से पहले उसे अपनी लक्षित भाषा या बोली में सुनकर देखें।
instruction पैरामीटर में इच्छित भावना, लहजे या चरित्र का वर्णन करें, और गति, पिच तथा वॉल्यूम को उनके अलग-अलग पैरामीटर से समायोजित करें। संरचित टेक्स्ट इनपुट के लिए enable_ssml चालू करें। यह SSML और LaTeX का समर्थन करता है और वाक् रेंडरिंग पर अतिरिक्त नियंत्रण देता है।
output_format के ज़रिए MP3, PCM, WAV या Opus चुनें। डिफ़ॉल्ट फ़ॉर्मैट MP3 है। दोनों मॉडल sample_rate भी उपलब्ध कराते हैं, जबकि bit_rate केवल Opus आउटपुट पर लागू होता है।
जब सोशल या साथी अनुभव में स्वाभाविक और अभिव्यक्तिपूर्ण बोलना अहम हो, तो Plus चुनें। अगर आपके ऐप्लिकेशन में कम विलंबता वाली बातचीत और कम वर्ण लागत प्राथमिकता है, तो Flash से शुरुआत करना बेहतर है। फ़ैसला लेने से पहले दोनों को एक ही स्क्रिप्ट और बोलने की शैली के साथ आज़माकर तुलना करें।
दस्तावेज़ीकृत Atlas Cloud इंटीग्रेशन में अनुरोध असिंक्रोनस रूप से सबमिट होता है और polling की जाती है। टास्क पूरा होने पर ऑडियो URL मिलता है। प्लेबैक डिज़ाइन करते समय इसे जॉब-आधारित वर्कफ़्लो मानें। अगर आपके ऐप्लिकेशन को जनरेशन के दौरान ऑडियो चंक्स चाहिए, तो स्ट्रीमिंग की उपलब्धता अलग से पुष्ट करें।
किसी दूसरे मॉडल की voice ID चुनने पर InvalidParameter त्रुटि आ सकती है। इसलिए अपने चुने हुए वेरिएंट से जुड़ी कैटलॉग में से आवाज़ चुनें। Plus और Flash के बीच बदलते समय पिछली voice ID दोबारा इस्तेमाल करने के बजाय model और voice, दोनों अपडेट करें।
Atlas Cloud का भरपूर लाभ उठाने में मदद करने वाली गाइड, ट्यूटोरियल और प्रोडक्ट अपडेट।