

A família Qwen Audio 3.0 TTS da Alibaba atende a aplicativos sociais, de companhia e em tempo real. Guie a entrega vocal e o volume do Plus com instruções em linguagem natural, ou use o Flash para diálogos ao vivo e atendimento ao cliente. O Atlas Cloud oferece um preço padrão de US$ 0,02 por 1.000 caracteres de entrada para o Plus e US$ 0,015 para o Flash, ajudando você a estimar os custos para cada carga de trabalho. Comece a construir hoje.
Qwen Audio 3.0 TTS foi desenvolvido pela Alibaba. A Atlas Cloud (operada pela Atlas Cloud AI LLC) fornece acesso ao modelo, mas não é sua proprietária. Todas as marcas registradas pertencem aos seus respectivos titulares.
O Atlas Cloud oferece os modelos criativos mais avançados e inovadores do setor.
Escolha vozes expressivas de ponta para experiências de companhia ou fala de baixa latência para interação em tempo real.
| Modalidade | Descrição |
|---|---|
| Qwen Audio 3.0 TTS Flash API (Texto para fala) | Transforme texto em fala com síntese de baixa latência, amplo suporte a idiomas e cobertura de dialetos chineses. Instruções flexíveis orientam a interpretação vocal em assistentes de voz, diálogos ao vivo e atendimento ao cliente. O preço padrão é de $0.015 por 1.000 caracteres de entrada. |
| Qwen Audio 3.0 TTS Plus API (Texto para fala) | Para aplicações sociais e de companhia, este endpoint de ponta converte texto em fala natural e expressiva usando vozes do sistema. Ajuste a emoção, o tom, o papel, a velocidade e o volume por meio de instruções flexíveis para moldar cada interação. O preço padrão é de $0.02 por 1.000 caracteres de entrada. |
Escolha o Qwen Audio 3.0 TTS Flash ou Plus para necessidades conversacionais distintas, com amplos catálogos de voz, síntese multilíngue, locução ajustável, entrada de texto estruturado e saída de áudio flexível através da Atlas Cloud.
O Qwen Audio 3.0 TTS oferece o Flash para interação de baixa latência e o Plus para uma voz de companhia natural e expressiva. As tarifas padrão do Atlas Cloud são de $0,015 por 1.000 caracteres de entrada para o Flash e $0,02 para o Plus. Escolha o modelo que corresponda às prioridades conversacionais do seu produto, com faturamento pay-as-you-go. Isso oferece a assistentes de voz, ferramentas de atendimento ao cliente e aplicativos sociais duas opções de síntese com preços claros.
Cada modelo 3.0 expõe um catálogo de 597 vozes base clonadas com amostras de pré-visualização e rótulos de gênero e idioma. Navegue pelas vozes disponíveis, ouça as amostras e passe o ID de voz do modelo selecionado junto com o seu texto. Os IDs de voz são específicos para cada modelo. Isso torna a escalação de um narrador ou personagem de companhia mais fácil antes de integrar a fala à sua aplicação.
Para fala multilíngue, ambos os modelos aceitam uma dica de idioma por solicitação, com 10 códigos suportados cobrindo chinês, inglês, japonês, coreano, francês, alemão, português, italiano, vietnamita e indonésio. Defina language_hints para o idioma pretendido e escolha uma voz compatível. O Flash também suporta a síntese de dialetos chineses. Os desenvolvedores podem usar esses controles para adaptar as experiências de fala para o público internacional e comunidades chinesas regionais.
Informe ao modelo como uma frase deve soar através de instruções em linguagem natural para emoção, tom, persona e estilo de expressão. Ambos os modelos também disponibilizam multiplicadores de velocidade e tom de 0,5 a 2,0 e volume de 0 a 100. Combine uma instrução de estilo com esses controles numéricos para refinar o mesmo roteiro. Diálogos expressivos e experiências de acompanhamento se beneficiam de uma expressão adaptada ao momento.
Quando um script requer pausas deliberadas ou matemática falada, ambos os modelos suportam a entrada de SSML e LaTeX com enable_ssml ativado. Envie o texto preparado através da mesma solicitação de síntese em vez de tratar cada passagem como prosa simples. O SSML fornece uma maneira de marcar pausas, enquanto o LaTeX representa fórmulas para fala. Essas opções de entrada são adequadas para narração educacional e scripts que exigem uma leitura mais deliberada.
A entrega de áudio suporta quatro formatos: MP3, PCM, WAV e Opus, com sete opções de taxa de amostragem de 8.000 a 48.000 Hz. Selecione output_format e sample_rate na sua solicitação; bit_rate aplica-se apenas ao Opus. O Atlas Cloud usa submissão assíncrona e sondagem de ID de tarefa para recuperar as URLs de áudio geradas. Este fluxo de trabalho permite que as equipes preparem arquivos de voz para diferentes requisitos de reprodução e produção por meio de uma única API.
Compare o Qwen Audio 3.0 TTS com o seu sucessor principal e uma alternativa da ElevenLabs usando roteiros idênticos que convidam a pausas sutis, mudanças emocionais e finais calorosos.
Psiu... Pensei que tínhamos perdido você. Espere, aquela luz... você encontrou o caminho de casa! Venha aqui. Você está seguro agora e, esta noite, ninguém precisa enfrentar a escuridão sozinho.
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
Ouça... apenas um pequeno estalido. Agora, a primeira mordida: crosta crocante, manteiga quente, pura alegria! Oh, é delicioso. Puxe uma cadeira. Sempre há espaço para você em nossa 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
Combine vozes expressivas do Plus com a síntese Flash, otimizada para baixa latência, no Qwen Audio 3.0 TTS para criar diálogos entre companheiros, assistentes de voz, suporte localizado, narrações de histórias, locuções de marca e aulas faladas.
Dê vozes expressivas a companheiros virtuais com o Plus, usando instruções para definir emoções, tom e papel. Crie saudações acolhedoras, conversas descontraídas ou respostas tranquilizadoras para aplicativos sociais e experiências interativas com personagens.
Quando os assistentes precisam responder por voz, o Flash oferece síntese de fala otimizada para baixa latência e diálogos em tempo real. Use-o como camada de saída de voz para interfaces conversacionais que transformam texto gerado em fala.
O Flash oferece suporte a vários idiomas e dialetos do chinês, levando a fala localizada aos fluxos de atendimento ao cliente. Transforme respostas de suporte escritas em orientações faladas para experiências regionais adaptadas ao público atendido pelo seu aplicativo.
Com o Plus, as instruções definem a emoção e o tom de quem narra, enquanto os controles de fala ajustam o ritmo e o volume. Produza trechos de histórias e falas de personagens em áudio para audiolivros, aplicativos de histórias e conteúdos de áudio em episódios.
Com o Plus, roteiros de produtos se tornam locuções expressivas, com instruções que definem o estilo de interpretação e a persona. Crie apresentações faladas de produtos, clipes promocionais e tutoriais de aplicativos com uma direção vocal que represente sua marca.
Em aplicativos de aprendizagem, o Plus transforma textos instrutivos em fala expressiva, com velocidade e volume ajustáveis. Educadores podem criar exemplos narrados, introduções de aulas e guias de estudo em áudio, com uma interpretação adequada aos materiais didáticos.
Compare o Qwen Audio 3.0 TTS com as variantes 3.1 e os modelos MiniMax Speech com base no foco de aplicação, controles de voz, formatos de áudio e preços padrão da Atlas Cloud.
| Modelo | Foco de aplicação | Controles de fala | Formatos de áudio | Preço padrão / 1K caracteres |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | Vozes expressivas para redes sociais e experiências de companhia | Descreva emoções, tom e papel por meio de instruções; ajuste velocidade, tom e volume | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Síntese de baixa latência para assistentes, diálogos ao vivo e atendimento ao cliente | Ajuste velocidade, tom e volume junto com instruções sobre emoções e estilo de fala | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | Vozes de marca, audiolivros, dublagem e interpretações de personagens | Oriente a expressão emocional e os papéis dos personagens por meio de instruções; ajuste velocidade, tom e volume | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Fala multilíngue e com sotaques para aplicações interativas | Combine instruções em linguagem natural com tags expressivas e parâmetros de fala ajustáveis | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | Produção de fala com foco em naturalidade e qualidade expressiva | Selecione uma voz e ajuste velocidade, tom e volume | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Geração rápida de fala com vozes selecionáveis e tags de interjeição | Use predefinições de emoção e interjeições em linha; ajuste velocidade, tom e volume | MP3, WAV, FLAC | $0.06 |
Comece em minutos — siga estes passos simples para integrar e implantar modelos pela plataforma da Atlas Cloud.
Cadastre-se em atlascloud.ai e conclua a verificação. Novos usuários recebem créditos gratuitos para explorar a plataforma e testar modelos.
Combine modelos avançados de Qwen Audio 3.0 TTS com a plataforma acelerada por GPU do Atlas Cloud, fornecendo desempenho, escalabilidade e experiência de desenvolvimento incomparáveis.
Baixa Latência:
Inferência otimizada por GPU para respostas em tempo real.
API Unificada:
Uma única integração para acessar Qwen Audio 3.0 TTS, GPT, Gemini e DeepSeek.
Preços Transparentes:
Faturamento por Token, suporta modo Serverless.
Experiência do Desenvolvedor:
SDK, análise de dados, ferramentas de ajuste fino e modelos tudo em um.
Confiabilidade:
99.99% de disponibilidade, controle de permissões RBAC, logs de conformidade.
Segurança e Conformidade:
Certificação SOC 2 Type II, conformidade HIPAA, soberania de dados nos EUA.
Qwen Audio 3.0 TTS é a família de modelos de conversão de texto em fala da Alibaba, disponível nas variantes Plus e Flash no Atlas Cloud. Converte texto escrito em fala e permite usar instruções em linguagem natural para controlar emoção, tom, personagem e forma de falar.
Crie experiências de voz para companheiros sociais, assistentes de voz, diálogos interativos e atendimento ao cliente. A entrega expressiva torna o Plus adequado para interações com companheiros, enquanto o Flash é otimizado para aplicações que priorizam a baixa latência na geração de fala.
Crie uma chave de API do Atlas Cloud e envie uma solicitação POST autenticada para https://api.atlascloud.ai/api/v1/model/generateAudio com o modelo, o texto e a voz. Use alibaba/qwen-audio-3.0-tts-plus/text-to-speech ou alibaba/qwen-audio-3.0-tts-flash/text-to-speech como ID do modelo. Consulte https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id} com o ID da tarefa retornado até que a geração seja concluída; depois, obtenha a URL do áudio em outputs.
O preço padrão no Atlas Cloud é de $0.02 por 1,000 caracteres de entrada para o Plus e $0.015 por 1,000 caracteres de entrada para o Flash. As duas variantes são cobradas por caractere, no modelo pay-as-you-go.
Cada variante lista 597 vozes base, com indicações de idioma e gênero e amostras de prévia na página do modelo no Atlas Cloud. Os modelos oferecem suporte a fala multilíngue e a dialetos chineses, com indicações de idioma como chinês, inglês, japonês e coreano. Ouça uma prévia da voz no idioma ou dialeto desejado antes de selecioná-la para produção.
Descreva a emoção, o tom ou o personagem desejado no parâmetro instruction e ajuste a velocidade, o tom e o volume usando os parâmetros específicos. Para entrada de texto estruturada, enable_ssml oferece suporte a SSML e LaTeX, permitindo controlar melhor a síntese da fala.
Escolha MP3, PCM, WAV ou Opus usando output_format; MP3 é o formato padrão. Ambos os modelos também disponibilizam sample_rate, enquanto bit_rate se aplica especificamente à saída Opus.
Escolha o Plus quando uma fala natural e expressiva for essencial para uma experiência social ou de companhia. Se a aplicação priorizar interações de baixa latência e menor custo por caractere, o Flash é o ponto de partida mais adequado. Antes de decidir, compare os dois com o mesmo roteiro e estilo de fala desejado.
A integração documentada do Atlas Cloud usa envio assíncrono e consulta periódica, retornando uma URL de áudio quando a tarefa é concluída. Ao projetar a reprodução, trate esse endpoint como um fluxo de trabalho baseado em tarefas e confirme separadamente se há suporte a streaming caso a aplicação precise receber trechos de áudio durante a geração.
Um ID de voz pertencente a outro modelo pode causar InvalidParameter. Por isso, selecione uma voz do catálogo associado à variante escolhida. Ao alternar entre Plus e Flash, atualize o modelo e a voz em vez de reutilizar o ID da voz anterior.
Guias, tutoriais e novidades de produto para você aproveitar ao máximo a Atlas Cloud.