

Rodzina Qwen Audio 3.0 TTS firmy Alibaba obsługuje aplikacje społecznościowe, towarzyszące i działające w czasie rzeczywistym. Kontroluj sposób wypowiedzi i głośność w modelu Plus za pomocą instrukcji w języku naturalnym, lub użyj modelu Flash do dialogów na żywo i obsługi klienta. Atlas Cloud oferuje standardowe ceny w wysokości 0,02 USD za 1000 znaków wejściowych dla modelu Plus i 0,015 USD dla modelu Flash, pomagając w oszacowaniu kosztów dla każdego obciążenia roboczego. Zacznij budować już dziś.
Qwen Audio 3.0 TTS został opracowany przez Alibaba. Atlas Cloud (prowadzona przez Atlas Cloud AI LLC) zapewnia dostęp do modelu, ale nie jest jego właścicielem. Wszystkie znaki towarowe należą do ich odpowiednich właścicieli.
Atlas Cloud zapewnia najnowsze, wiodące w branży modele kreatywne.
Wybierz ekspresyjne głosy flagowego modelu do aplikacji towarzyszących lub syntezę mowy o niskim opóźnieniu do interakcji w czasie rzeczywistym.
| Modalność | Opis |
|---|---|
| Qwen Audio 3.0 TTS Flash API (zamiana tekstu na mowę) | Zamieniaj tekst na mowę dzięki syntezie o niskim opóźnieniu, szerokiemu wsparciu języków i obsłudze chińskich dialektów. Elastyczne instrukcje pozwalają sterować sposobem mówienia w asystentach głosowych, dialogach na żywo i obsłudze klienta. Standardowa cena wynosi 0,015 USD za 1 000 znaków wejściowych. |
| Qwen Audio 3.0 TTS Plus API (zamiana tekstu na mowę) | Ten flagowy endpoint przeznaczony do aplikacji społecznościowych i towarzyszących zamienia tekst na naturalną, ekspresyjną mowę, korzystając z głosów systemowych. Dzięki elastycznym instrukcjom możesz kształtować każdą interakcję, sterując emocjami, tonem, rolą, szybkością i głośnością. Standardowa cena wynosi 0,02 USD za 1 000 znaków wejściowych. |
Wybierz Qwen Audio 3.0 TTS Flash lub Plus dla różnych potrzeb konwersacyjnych, z obszernymi katalogami głosów, wielojęzyczną syntezą, możliwością dostosowania sposobu mówienia, ustrukturyzowanym wprowadzaniem tekstu i elastycznym wyjściem audio za pośrednictwem Atlas Cloud.
Qwen Audio 3.0 TTS oferuje model Flash do interakcji o niskim opóźnieniu oraz Plus do naturalnego, wyrazistego głosu towarzyszącego. Standardowe stawki Atlas Cloud wynoszą 0,015 USD za 1000 znaków wejściowych dla Flash i 0,02 USD dla Plus. Wybierz model odpowiadający priorytetom konwersacyjnym Twojego produktu, z rozliczeniem w modelu pay-as-you-go. Daje to asystentom głosowym, narzędziom obsługi klienta i aplikacjom społecznościowym dwie opcje syntezy o przejrzystych cenach.
Każdy model 3.0 udostępnia katalog 597 sklonowanych głosów bazowych z próbkami podglądu oraz etykietami płci i języka. Przeglądaj dostępne głosy, słuchaj próbek i przekaż identyfikator głosu wybranego modelu wraz z tekstem. Identyfikatory głosów są przypisane do konkretnego modelu. Ułatwia to obsadzenie narratora lub postaci towarzyszącej przed zintegrowaniem funkcji mowy z aplikacją.
W przypadku mowy wielojęzycznej oba modele akceptują jedną wskazówkę językową na żądanie, z 10 obsługiwanymi kodami obejmującymi chiński, angielski, japoński, koreański, francuski, niemiecki, portugalski, włoski, wietnamski i indonezyjski. Ustaw language_hints dla docelowego języka i wybierz kompatybilny głos. Flash obsługuje również syntezę chińskich dialektów. Deweloperzy mogą używać tych elementów sterujących, aby dostosować wrażenia głosowe dla odbiorców międzynarodowych i regionalnych społeczności chińskich.
Poinstruuj model, jak powinna brzmieć dana kwestia, używając poleceń w języku naturalnym dotyczących emocji, tonu, persony i sposobu wygłaszania. Oba modele udostępniają również mnożniki prędkości i tonacji od 0,5 do 2,0 oraz głośność od 0 do 100. Połącz instrukcję stylu z tymi kontrolkami numerycznymi, aby dopracować ten sam skrypt. Ekspresyjne dialogi i wirtualni asystenci zyskują dzięki sposobowi wygłaszania dostosowanemu do danej chwili.
Kiedy skrypt wymaga celowych pauz lub czytania wyrażeń matematycznych, oba modele obsługują wprowadzanie SSML i LaTeX z włączoną funkcją enable_ssml. Prześlij przygotowany tekst w ramach tego samego żądania syntezy, zamiast traktować każdy fragment jako zwykły tekst. SSML zapewnia sposób oznaczania pauz, podczas gdy LaTeX reprezentuje wzory do odczytania. Te opcje wprowadzania są odpowiednie dla narracji edukacyjnej i skryptów wymagających bardziej przemyślanego czytania.
Dostarczanie dźwięku obsługuje cztery formaty: MP3, PCM, WAV i Opus, z siedmioma opcjami częstotliwości próbkowania od 8 000 do 48 000 Hz. Wybierz output_format i sample_rate w swoim żądaniu; bit_rate ma zastosowanie tylko do formatu Opus. Atlas Cloud wykorzystuje asynchroniczne przesyłanie i odpytywanie o ID zadania w celu pobrania wygenerowanych adresów URL dźwięku. Ten przepływ pracy pozwala zespołom przygotować pliki mowy do różnych wymagań odtwarzania i produkcji za pośrednictwem jednego interfejsu API.
Porównaj Qwen Audio 3.0 TTS z jego flagowym następcą oraz alternatywą od ElevenLabs, używając identycznych skryptów, które zachęcają do subtelnych przerw, zmian emocjonalnych i ciepłych zakończeń.
Ciii... Myślałem, że cię straciliśmy. Czekaj, to światło... odnalazłeś drogę do domu! Chodź tutaj. Jesteś teraz bezpieczny i dziś w nocy nikt nie musi stawiać czoła ciemności w pojedynkę.
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
Posłuchaj... tylko delikatne chrupanie. A teraz pierwszy kęs: chrupiąca skórka, ciepłe masło, czysta radość! Ooch, to jest pyszne. Usiądź proszę. Przy naszym stole zawsze jest dla Ciebie miejsce.
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
Połącz ekspresyjne głosy Plus z syntezą Flash zoptymalizowaną pod kątem niskich opóźnień w Qwen Audio 3.0 TTS, aby tworzyć dialogi z wirtualnymi towarzyszami, asystentów głosowych, lokalne wersje obsługi klienta, narracje, nagrania głosowe marki i lekcje audio.
Nadaj wirtualnym towarzyszom ekspresyjne głosy dzięki Plus. Za pomocą instrukcji określaj emocje, ton i rolę wypowiedzi. Twórz serdeczne powitania, żartobliwe dialogi lub uspokajające odpowiedzi na potrzeby aplikacji społecznościowych i interaktywnych postaci.
Gdy asystenci mają odpowiadać głosem, Flash zapewnia syntezę mowy zoptymalizowaną pod kątem niskich opóźnień i dialogu na żywo. Użyj go jako warstwy wyjściowej głosu w interfejsach konwersacyjnych, które zamieniają wygenerowany tekst na mowę.
Flash obsługuje wiele języków i chińskich dialektów, umożliwiając lokalizację mowy w procesach obsługi klienta. Zamieniaj pisemne odpowiedzi na pytania o pomoc w głosowe wskazówki, dostosowane do odbiorców korzystających z regionalnej obsługi w Twojej aplikacji.
W Plus instrukcje określają emocje i ton narratora, a ustawienia mowy pozwalają dostosować tempo i głośność. Twórz nagrania fragmentów opowieści i kwestii postaci na potrzeby audiobooków, aplikacji do opowiadania historii i serializowanych treści audio.
Dzięki Plus skrypty produktowe zmieniają się w ekspresyjne nagrania głosowe, a instrukcje określają styl wypowiedzi i osobowość głosu. Twórz głosowe prezentacje produktów, klipy promocyjne i przewodniki po aplikacji, dopasowując charakter narracji do marki.
W aplikacjach edukacyjnych Plus zamienia tekst instruktażowy w ekspresyjną mowę z regulowaną szybkością i głośnością. Nauczyciele mogą tworzyć nagrane przykłady, wprowadzenia do lekcji i głosowe materiały do nauki, dostosowując sposób ich prezentacji do treści dydaktycznych.
Porównaj Qwen Audio 3.0 TTS z wariantami 3.1 oraz modelami MiniMax Speech pod kątem ukierunkowania aplikacji, sterowania głosem, formatów audio i standardowych cen Atlas Cloud.
| Model | Główne zastosowanie | Sterowanie mową | Formaty audio | Cena standardowa / 1 tys. znaków |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | Ekspresyjne głosy do treści społecznościowych i aplikacji towarzyszących | Opisz emocje, ton i rolę w instrukcjach; dostosuj szybkość, wysokość głosu i głośność | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Synteza o niskim opóźnieniu dla asystentów, dialogów na żywo i obsługi klienta | Dostosuj szybkość, wysokość głosu i głośność oraz określ emocje i styl mówienia w instrukcjach | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | Głosy marki, audiobooki, dubbing i role postaci | Określ sposób wyrażania emocji i role postaci w instrukcjach; dostosuj szybkość, wysokość głosu i głośność | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Wielojęzyczna mowa i dialekty do aplikacji interaktywnych | Łącz instrukcje w języku naturalnym z tagami ekspresji i regulowanymi parametrami mowy | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | Generowanie mowy z naciskiem na naturalność i ekspresję | Wybierz głos i dostosuj szybkość, wysokość głosu oraz głośność | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Szybkie generowanie mowy z możliwością wyboru głosu i tagami wtrąceń | Korzystaj z gotowych ustawień emocji i wtrąceń w tekście; ustaw szybkość, wysokość głosu i głośność | MP3, WAV, FLAC | $0.06 |
Zacznij w kilka minut — wykonaj te proste kroki, aby zintegrować i wdrożyć modele za pośrednictwem platformy Atlas Cloud.
Zarejestruj się na atlascloud.ai i ukończ weryfikację. Nowi użytkownicy otrzymują bezpłatne kredyty do eksploracji platformy i testowania modeli.
Połączenie zaawansowanych modeli Qwen Audio 3.0 TTS z platformą GPU-akcelerowaną Atlas Cloud zapewnia niezrównaną wydajność, skalowalność i doświadczenie deweloperskie.
Niska Latencja:
Inferencja zoptymalizowana pod GPU dla rozumowania w czasie rzeczywistym.
Zunifikowane API:
Uruchamiaj Qwen Audio 3.0 TTS, GPT, Gemini i DeepSeek za pomocą jednej integracji.
Przejrzysta Wycena:
Przewidywalne rozliczenia za token z opcjami serverless.
Doświadczenie Dewelopera:
SDK, analityka, narzędzia dostrajania i szablony.
Niezawodność:
99,99% dostępności, RBAC i logowanie gotowe na zgodność.
Bezpieczeństwo i Zgodność:
SOC 2 Type II, zgodność z HIPAA, suwerenność danych w USA.
Qwen Audio 3.0 TTS to rodzina modeli Alibaba do syntezy mowy z tekstu, dostępna w Atlas Cloud w wariantach Plus i Flash. Zamienia tekst pisany na mowę i pozwala sterować emocjami, tonem, charakterem oraz sposobem wypowiedzi za pomocą instrukcji w języku naturalnym.
Możesz tworzyć funkcje głosowe dla towarzyszy społecznościowych, asystentów głosowych, interaktywnych dialogów i obsługi klienta. Ekspresyjna mowa sprawia, że Plus dobrze nadaje się do interakcji z towarzyszami, a Flash jest dostrojony do zastosowań, w których priorytetem jest niskie opóźnienie generowania mowy.
Utwórz klucz API Atlas Cloud, a następnie wyślij uwierzytelnione żądanie POST do https://api.atlascloud.ai/api/v1/model/generateAudio, podając model, tekst i głos. Jako identyfikatora modelu użyj alibaba/qwen-audio-3.0-tts-plus/text-to-speech lub alibaba/qwen-audio-3.0-tts-flash/text-to-speech. Odpytuj https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}, używając zwróconego identyfikatora zadania, aż generowanie się zakończy, a następnie pobierz adres URL audio z pola outputs.
Standardowa cena w Atlas Cloud wynosi 0,02 USD za każde 1 000 znaków wejściowych w przypadku Plus i 0,015 USD za każde 1 000 znaków wejściowych w przypadku Flash. Rozliczenia obu wariantów zależą od liczby znaków i są naliczane na bieżąco.
Na stronie każdego modelu w Atlas Cloud wymieniono 597 głosów bazowych wraz z oznaczeniami języka i płci oraz próbkami dźwiękowymi. Modele obsługują mowę wielojęzyczną i chińskie dialekty; wskazówki dotyczące języka obejmują chiński, angielski, japoński i koreański. Przed wyborem głosu do środowiska produkcyjnego odsłuchaj jego próbkę w docelowym języku lub dialekcie.
Opisz żądane emocje, ton lub charakter w parametrze instruction, a tempo, wysokość i głośność głosu dostosuj za pomocą przeznaczonych do tego parametrów. W przypadku ustrukturyzowanego tekstu wejściowego włącz enable_ssml, aby korzystać z SSML i LaTeX oraz uzyskać dodatkową kontrolę nad renderowaniem mowy.
Za pomocą output_format wybierz MP3, PCM, WAV lub Opus; domyślnym formatem jest MP3. Oba modele udostępniają też parametr sample_rate, a bit_rate dotyczy wyłącznie formatu Opus.
Wybierz Plus, gdy naturalna, ekspresyjna mowa ma kluczowe znaczenie w funkcji społecznościowej lub doświadczeniu z towarzyszem. Jeśli aplikacja stawia na interakcję z niskim opóźnieniem i niższy koszt za znaki, Flash będzie lepszym punktem wyjścia. Przed podjęciem decyzji porównaj oba warianty, używając tego samego tekstu i oczekiwanego stylu mówienia.
Udokumentowana integracja z Atlas Cloud korzysta z asynchronicznego wysyłania żądań i odpytywania o status. Po zakończeniu zadania zwraca adres URL audio. Projektując odtwarzanie, traktuj ten endpoint jako przepływ pracy oparty na zadaniach. Jeśli aplikacja wymaga odbierania fragmentów audio w trakcie generowania, osobno sprawdź dostępność przesyłania strumieniowego.
Błąd InvalidParameter może wystąpić, jeśli użyjesz identyfikatora głosu należącego do innego modelu. Wybierz głos z katalogu przypisanego do wybranego wariantu. Przy przełączaniu między Plus i Flash zaktualizuj zarówno model, jak i głos, zamiast ponownie używać poprzedniego identyfikatora głosu.
Poradniki, samouczki i nowości produktowe, dzięki którym w pełni wykorzystasz Atlas Cloud.