

Qwen Audio 3.1 TTS udostępnia programistom rodzinę syntezatorów mowy firmy Alibaba. Flash oferuje wielojęzyczne głosy i chińskie dialekty, w tym szanghajski i kantoński, dla aplikacji interaktywnych. Plus obsługuje klonowanie głosu z zaszumionego dźwięku referencyjnego do zaawansowanych zastosowań głosowych. Atlas Cloud podaje standardowe ceny za 1000 znaków wynoszące 0,003 USD za Flash i 0,03 USD za Plus. Rozpocznij budowanie już dziś.
Qwen Audio 3.1 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 syntezę mowy o niskim opóźnieniu do interakcji na żywo lub flagowe generowanie głosu z niezawodnym klonowaniem.
| Modalność | Opis |
|---|---|
| Qwen Audio 3.1 TTS Flash (tekst na mowę) | Zamieniaj tekst na mowę przy użyciu głosów systemowych obsługujących wiele języków i chińskich dialektów. Za pomocą instrukcji można sterować emocjami, tonem, rolą, tempem i głośnością. Model zoptymalizowany pod kątem krótkiego opóźnienia do wygenerowania pierwszej próbki dźwięku sprawdzi się w asystentach głosowych, rozmowach na żywo i interaktywnej obsłudze klienta. |
| Qwen Audio 3.1 TTS Plus (tekst na mowę) | Plus służy do tworzenia głosu w jakości premium: zamienia tekst na mowę w wielu językach i dialektach oraz umożliwia niezawodne klonowanie głosu na podstawie zaszumionego nagrania referencyjnego. Za pomocą instrukcji można sterować emocjami, tonem, rolą, tempem i głośnością, tworząc narracje zgodne z marką, audiobooki i role postaci. |
Od syntezy mowy zorientowanej na opóźnienia w modelu Flash po wysokiej jakości produkcję głosu w modelu Plus, Qwen Audio 3.1 TTS łączy w sobie wielojęzyczne dostarczanie, chińskie dialekty, kontrolę ekspresji oraz ujednolicony dostęp do API Atlas Cloud.
Flash to warstwa o niskich opóźnieniach modelu Qwen Audio 3.1 TTS, zoptymalizowana pod kątem odpowiedzi pierwszego pakietu w interakcjach w czasie rzeczywistym. Jej synteza mowy łączy wielojęzyczne głosy z instrukcjami dotyczącymi emocji, tonu, roli, szybkości i głośności. Opisz sposób wypowiedzi, jakiego potrzebuje Twoja aplikacja, jednocześnie dostarczając tekst do wymówienia. Ta warstwa jest odpowiednia dla asystentów głosowych, produktów konwersacyjnych i obsługi klienta, gdzie liczy się krótki czas reakcji głosowej.
Plus wprowadza najwyższej jakości syntezę mowy i solidne klonowanie głosu do Qwen Audio 3.1 TTS, z czterema głosami systemowymi dostępnymi w schemacie parametrów Atlas Cloud. Model został zaprojektowany z myślą o zachowaniu wyrazistości, gdy nagrania referencyjne zawierają szum lub pogłos. Instrukcje w języku naturalnym kształtują wynikową emocję, ton i personę. Wybierz Plus do narracji marek, produkcji audiobooków, dubbingu filmowego i ekspresyjnych występów postaci.
Wielojęzyczna mowa i chińskie dialekty znajdują się w centrum tej rodziny, a wśród obsługiwanych języków są chiński, angielski, japoński i koreański. Zakres dialektów modelu Flash obejmuje szanghajski, kantoński, północno-wschodni i syczuański. Wybierz głos odpowiedni do potrzebnego języka lub dialektu, a następnie pokieruj jego przekazem za pomocą instrukcji. Zlokalizowana narracja i regionalne wrażenia głosowe mogą odzwierciedlać sposób, w jaki odbiorcy faktycznie mówią.
Kieruj wykonaniem za pomocą instrukcji w języku naturalnym dotyczących emocji, tonu, roli i stylu mówienia. W wersji Plus prędkość i wysokość tonu można regulować w zakresie od 0,5 do 2,0, a głośność od 0 do 100. Połącz te elementy sterujące ze swoim skryptem, aby dostosować tempo, rejestr wokalu i poziom wyjściowy. Taka kontrola pomaga dostosować fragment tekstu do spokojnej narracji, energicznych promocji lub dialogów postaci.
Cztery formaty wyjściowe w wersji Plus obejmują MP3, PCM, WAV i Opus, z możliwością wyboru częstotliwości próbkowania od 8 000 do 48 000 Hz. Wybierz format i częstotliwość odpowiadające Twojemu potokowi audio. Włącz SSML, gdy dane wejściowe wykorzystują obsługiwane znaczniki lub LaTeX. Opcje te pomagają programistom przygotować zsyntetyzowaną mowę do odtwarzania, edycji i tworzenia treści edukacyjnych bez polegania na jednym formacie dostarczania.
Atlas Cloud zapewnia ujednolicony dostęp do API oraz rozliczenia oparte na znakach dla obu poziomów, ze standardowymi stawkami 0,003 USD za 1000 znaków dla Flash i 0,03 USD dla Plus. W przypadku generowania za pomocą Plus prześlij żądanie asynchroniczne i odpytuj (poll) jego prediction ID, aż dźwięk będzie gotowy. Ukończone wyniki zawierają adresy URL plików audio. Ten przepływ pracy sprawia, że generowanie mowy jest praktyczne do zintegrowania z aplikacjami i kolejkami produkcyjnymi.
Porównaj Qwen Audio 3.1 TTS z innym modelem głosowym i jego poprzednikiem, używając identycznych skryptów, które przechodzą od intymnego opowiadania historii do relacji sportowych na żywo.
Zachowałem Twoje miejsce przy oknie. Każdej nocy myślałem, że być może wrócisz do domu. Zaczekaj... czy to naprawdę Ty? Jesteś tutaj! Wejdź, kochanie. Czajnik jest wciąż ciepły, tylko dla Ciebie.
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
Jeden ostatni zakręt, a ona wciąż jest w tyle. Posłuchaj tego tłumu... znajduje lukę, obejmuje prowadzenie i wygrywa! Co za finisz! Odetchnij, mistrzyni. Każdy wczesny poranek prowadził cię do tego momentu.
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
Od kampanii promujących marki i audiobooków po dialogi postaci, asystentów głosowych, wsparcie regionalne i zlokalizowane lekcje, Qwen Audio 3.1 TTS wprowadza kontrolowaną mowę do produkcji treści i aplikacji interaktywnych.
Plus przekształca skrypty kampanii w wysokiej jakości nagrania lektorskie z instrukcjami dotyczącymi emocji, tonu i interpretacji. Twórz narracje na premiery produktów, materiały promocyjne audio i komunikaty marki ze stylem wypowiedzi dostosowanym do każdej kampanii.
Ożyw historie dzięki narracji Plus z możliwością kontrolowania emocji, szybkości mowy i głośności. Wydawcy i aplikacje do audiobooków mogą przekształcać skrypty rozdziałów w ekspresyjne audio, dostosowując sposób przekazu do dialogów i fragmentów opisowych.
Gdy aplikacje wymagają odpowiedzi głosowych, Flash zapewnia syntezę mowy zoptymalizowaną pod kątem niskiego opóźnienia pierwszego pakietu. Używaj go jako warstwy wyjściowej głosu dla asystentów konwersacyjnych, interaktywnych towarzyszy i innych interfejsów dialogowych.
W obsługiwanych językach i dialektach chińskich Flash udźwiękawia skrypty obsługi klienta z możliwością regulacji tonu i prędkości. Twórz mówione odpowiedzi pomocy i regionalne komunikaty dla użytkowników, którzy preferują znany język i lokalną wymowę.
Kształtuj występy postaci za pomocą instrukcji Plus, które kierują emocjami, rolą i stylem mówienia w oskryptowanych dialogach. Deweloperzy gier i zespoły animacyjne mogą produkować udźwiękowione sceny, eksperymentując ze sposobem wygłaszania kwestii, aby dopasować je do każdej postaci.
W przypadku zlokalizowanych treści edukacyjnych wielojęzyczna synteza przekształca scenariusze lekcji w mowę z kontrolowanym tempem i tonem. Platformy edukacyjne mogą tworzyć mówione objaśnienia i ćwiczenia ze słuchu, dostosowując przekaz do różnych odbiorców i formatów lekcji.
Porównaj modele Qwen Audio 3.1 TTS, ich poprzedników z serii 3.0 oraz modele MiniMax Speech pod kątem ustawień sposobu mówienia, formatów audio i standardowych cen Atlas Cloud.
| Model | Ustawienia sposobu mówienia | Formaty audio | Standardowa cena / 1 tys. znaków |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | Instrukcje w języku naturalnym określające emocje, ton i osobowość; regulacja szybkości, wysokości głosu i głośności | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Instrukcje określające emocje, ton i rolę; precyzyjna regulacja szybkości, wysokości głosu i głośności | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | Kształtuj ekspresję głosu za pomocą instrukcji i dostosuj szybkość, wysokość głosu oraz głośność | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Emocje i styl mówienia określane instrukcjami, a także regulacja szybkości, wysokości głosu i głośności | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | Wybór emocji oraz ustawienia szybkości, wysokości głosu i głośności | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Ustaw emocje i parametry głosu; dodawaj tagi wtrąceń i pauzy o określonej długości | 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 3.1 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 3.1 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 3.1 TTS to rodzina modeli zamiany tekstu na mowę firmy Alibaba, z wariantami Plus i Flash dostępnymi w Atlas Cloud. Plus koncentruje się na najwyższej jakości mowy, podczas gdy Flash jest ukierunkowany na interakcje o niskim opóźnieniu z obsługą głosów wielojęzycznych i chińskich dialektów.
Twórz narracje do audiobooków, treści markowych, dubbingu i występów postaci za pomocą Plus. W przypadku asystentów głosowych, aplikacji konwersacyjnych i obsługi klienta, Flash stawia na priorytetową, responsywną generację mowy.
Utwórz klucz API Atlas Cloud i wybierz identyfikator modelu Plus lub Flash z jego strony modelu. Prześlij swój tekst i kompatybilny głos do punktu końcowego generateAudio, używając uwierzytelniania Bearer. Zachowaj zwrócony identyfikator zadania i odpytuj punkt końcowy prediction, dopóki wygenerowany dźwięk nie będzie dostępny.
Zakres obsługiwanych języków zależy od modelu i wybranego głosu. Flash obejmuje wielojęzyczne głosy obsługujące język japoński, koreański, francuski, niemiecki, portugalski, włoski, wietnamski i indonezyjski, a także dialekty języka chińskiego, takie jak szanghajski, kantoński i północno-wschodni chiński. Przed wygenerowaniem mowy wybierz głos obsługujący Twój docelowy język lub dialekt.
Obsługiwane formaty wyjściowe audio obejmują MP3, PCM, WAV i Opus. Obsługiwane są również dane wejściowe SSML i LaTeX, chociaż dostępność SSML zależy od wybranego głosu. W Atlas Cloud użyj output_format, aby wybrać format audio, oraz enable_ssml podczas przesyłania SSML.
Używaj instrukcji w języku naturalnym, aby kierować emocjami, tonem, personą i stylem mówienia. Atlas Cloud udostępnia również kontrolki szybkości, tonu i głośności w punkcie końcowym Plus w celu bardziej precyzyjnego dostrajania generowania mowy. Przetestuj swoje instrukcje z wybranym głosem, aby sprawdzić, czy wynik odpowiada zamierzonemu wykonaniu.
Plus obsługuje solidne klonowanie głosu z dźwięku referencyjnego zawierającego szum lub pogłos. Przed użyciem w środowisku produkcyjnym należy ocenić zsyntetyzowany wynik za pomocą reprezentatywnych nagrań, zwłaszcza gdy podobieństwo mówcy i wymowa mają istotne znaczenie.
Wybierz model Plus, gdy wierność dźwięku i ekspresyjne detale mają największe znaczenie, na przykład w przypadku głosów marek, audiobooków i dubbingu. Model Flash został zaprojektowany z myślą o aplikacjach, dla których priorytetem jest niskie opóźnienie pierwszego pakietu (first-packet latency), takich jak asystenci głosowi i konwersacje interaktywne. Przed wyborem modelu produkcyjnego należy porównać oba rozwiązania, korzystając z tych samych skryptów i odpowiednich głosów.
Standardowe ceny Atlas Cloud wynoszą 0,03 USD za 1000 znaków wejściowych w przypadku Plus i 0,003 USD za 1000 znaków wejściowych w przypadku Flash. Są to standardowe stawki dostarczane przez backend Atlas Cloud, bez uwzględnienia zniżek promocyjnych.
Flash jest zoptymalizowany pod kątem opóźnienia pierwszego pakietu na poziomie modelu. Udokumentowany przepływ pracy generowania dźwięku w Atlas Cloud przesyła zadanie asynchroniczne i pobiera ukończony wynik, odpytując jego identyfikator zadania. W swojej aplikacji należy mierzyć czas od przesłania do odtworzenia, zamiast traktować opóźnienie modelu jako gwarancję dostarczania strumieniowego.
Poradniki, samouczki i nowości produktowe, dzięki którym w pełni wykorzystasz Atlas Cloud.