

Qwen Audio 3.1 TTS tar Alibabas familj för talsyntes till utvecklare. Flash erbjuder flerspråkiga röster och kinesiska dialekter, inklusive shanghainesiska och kantonesiska, för interaktiva applikationer. Plus stöder röstkloning från brusigt referensljud för förstklassigt röstbetingat arbete. Atlas Cloud anger standardpriser per 1 000 tecken till 0,003 dollar för Flash och 0,03 dollar för Plus. Börja bygga idag.
Qwen Audio 3.1 TTS är utvecklad av Alibaba. Atlas Cloud (som drivs av Atlas Cloud AI LLC) tillhandahåller åtkomst till modellen men äger den inte. Alla varumärken tillhör sina respektive ägare.
Atlas Cloud förser dig med de senaste branschledande kreativa modellerna.
Välj talgenerering med låg latens för liveinteraktioner eller flaggskeppsgenerering av röster med robust röstkloning.
| Modalitet | Beskrivning |
|---|---|
| Qwen Audio 3.1 TTS Flash (Text till tal) | Omvandla text till tal med systemröster för flera språk och kinesiska dialekter. Med instruktioner styr du känsla, tonläge, roll, talhastighet och volym. Flash är optimerad för låg latens vid den första ljudresponsen och passar för röstassistenter, livesamtal och interaktiv kundsupport. |
| Qwen Audio 3.1 TTS Plus (Text till tal) | Plus är avsedd för röstproduktion av hög kvalitet och omvandlar text till tal på flera språk eller dialekter. Modellen stöder även robust röstkloning från brusigt referensljud. Styr känsla, tonläge, roll, talhastighet och volym med instruktioner för varumärkesanpassad berättarröst, ljudböcker och rollprestationer. |
Från Flashs latensfokuserade talsyntes till Plus premiumröstproduktion, kombinerar Qwen Audio 3.1 TTS flerspråkig leverans, kinesiska dialekter, uttrycksfulla kontroller och Atlas Clouds enhetliga API-åtkomst.
Flash är låglatensnivån av Qwen Audio 3.1 TTS, optimerad för first-packet-respons i realtidsinteraktioner. Dess talsyntes kombinerar flerspråkiga röster med instruktioner för känsla, ton, roll, hastighet och volym. Beskriv det uttryckssätt som din applikation behöver samtidigt som du tillhandahåller texten som ska läsas upp. Denna nivå passar röstassistenter, konversationsprodukter och kundtjänstupplevelser där responsivt tal är viktigt.
Plus tillför premium-talsyntes och robust röstkloning till Qwen Audio 3.1 TTS, med fyra systemröster tillgängliga i Atlas Clouds parameterschema. Modellen är designad för att bibehålla tydligheten när referensinspelningar innehåller brus eller efterklang. Instruktioner i naturligt språk formar den resulterande känslan, tonen och personan. Välj Plus för varumärkesberättelser, ljudboksproduktion, filmdubbning och uttrycksfulla karaktärsframträdanden.
Flerspråkigt tal och kinesiska dialekter står i centrum för denna familj, med kinesiska, engelska, japanska och koreanska bland de språk som stöds. Flashs dialekttäckning inkluderar shanghainesiska, kantonesiska, nordöstra och sichuanesiska. Välj en röst som passar det språk eller den dialekt du behöver och styr sedan dess leverans genom instruktioner. Lokaliserad berättarröst och regionala röstupplevelser kan spegla hur publiken faktiskt pratar.
Styr framförandet med instruktioner på naturligt språk för känsla, ton, roll och talstil. I Plus sträcker sig hastighet och tonhöjd från 0,5 till 2,0, medan volymen går från 0 till 100. Kombinera dessa kontroller med ditt manus för att justera tempo, röstregister och utgångsnivå. En sådan kontroll hjälper till att skräddarsy ett stycke för lugn berättarröst, energiska kampanjer eller karaktärsdialog.
De fyra utdataformaten på Plus omfattar MP3, PCM, WAV och Opus, med valbara samplingsfrekvenser från 8 000 till 48 000 Hz. Välj det format och den frekvens som matchar din ljudpipeline. Aktivera SSML när din inmatning använder uppmärkning som stöds eller LaTeX. Dessa alternativ hjälper utvecklare att förbereda syntetiserat tal för uppspelning, redigering och utbildningsinnehåll utan att vara beroende av ett enda leveransformat.
Atlas Cloud tillhandahåller enhetlig API-åtkomst och teckenbaserad fakturering för båda nivåerna, med standardpriser på 0,003 USD per 1 000 tecken för Flash och 0,03 USD för Plus. För Plus-generering skickar du en asynkron begäran och pollar dess prediction ID tills ljudet är klart. Slutförda resultat innehåller ljud-URL:er. Detta arbetsflöde gör det praktiskt att integrera talgenerering i applikationer och produktionsköer.
Jämför Qwen Audio 3.1 TTS med en annan röstmodell och dess föregångare med hjälp av identiska manus som sträcker sig från intimt berättande till livesportkommentarer.
Jag sparade din plats vid fönstret. Varje natt tänkte jag att du kanske skulle komma hem. Vänta... är det verkligen du? Du är här! Kom in, min älskling. Vattenkokaren är fortfarande varm, bara för dig.
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
En sista kurva, och hon ligger fortfarande efter. Lyssna på den publiken... hon hittar en lucka, tar ledningen och vinner! Vilken målgång! Andas, mästare. Varje tidig morgon har tagit dig till detta ögonblick.
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
Från varumärkeskampanjer och ljudböcker till karaktärsdialoger, röstassistenter, regional support och lokaliserade lektioner – Qwen Audio 3.1 TTS tillför kontrollerbart tal till innehållsproduktion och interaktiva applikationer.
Plus förvandlar kampanjmanus till premium-voiceovers med instruktioner för känsla, ton och framförande. Skapa berättarröster för produktlanseringar, marknadsföringsljud och varumärkesmeddelanden med en talstil som är skräddarsydd för varje kampanj.
Ge berättelser liv genom Plus-berättarröst med kontrollerbar känsla, talhastighet och volym. Förlag och ljudboksappar kan förvandla kapitelmanus till uttrycksfullt ljud och anpassa framförandet för dialog och beskrivande stycken.
När applikationer behöver talade svar erbjuder Flash talsyntes som är optimerad för låg latens för det första paketet. Använd det som röstutmatningslager för konversationsassistenter, interaktiva följeslagare och andra dialoggränssnitt.
Över stödda språk och kinesiska dialekter röstsätter Flash kundtjänstskript med justerbar ton och hastighet. Skapa talade hjälpsvar och regionala meddelanden för användare som föredrar ett bekant språk och lokalt uttal.
Forma karaktärernas framträdanden genom Plus-instruktioner som vägleder känsla, roll och talstil för manusbaserad dialog. Spelutvecklare och animationsteam kan producera röstsatta scener och experimentera med framförandet för att passa varje karaktär.
För lokaliserat lärandeinnehåll omvandlar flerspråkig syntes lektionsmanus till tal med kontrollerbart tempo och ton. Utbildningsplattformar kan producera talade förklaringar och lyssningsövningar, och anpassa leveransen till olika målgrupper och lektionsformat.
Jämför Qwen Audio 3.1 TTS, föregångarna i version 3.0 och MiniMax Speech-modeller utifrån talstyrning, ljudformat och Atlas Clouds standardpriser.
| Modell | Talstyrning | Ljudformat | Standardpris / 1K tecken |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | Instruktioner på naturligt språk för känsla, tonfall och persona; justerbar hastighet, tonhöjd och volym | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Styr känsla, tonfall och roll direkt med instruktioner; finjustera hastighet, tonhöjd och volym | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | Forma ett uttrycksfullt framförande med instruktioner och justera hastighet, tonhöjd och volym | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Styr känsla och talstil med instruktioner samt justera hastighet, tonhöjd och volym | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | Välj känslouttryck och ställ in hastighet, tonhöjd och volym | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Ställ in känsla och röstparametrar; lägg in taggar för interjektioner och tidsbestämda pauser | MP3, WAV, FLAC | $0.06 |
Get started in minutes — follow these simple steps to integrate and deploy models through Atlas Cloud’s platform.
Registrera dig på atlascloud.ai och slutför verifieringen. Nya användare får gratis krediter för att utforska plattformen och testa modeller.
Att kombinera de avancerade Qwen Audio 3.1 TTS-modellerna med Atlas Clouds GPU-accelererade plattform ger oöverträffad prestanda, skalbarhet och utvecklarupplevelse.
Låg Latens:
GPU-optimerad inferens för realtidsresonemang.
Enhetligt API:
Kör Qwen Audio 3.1 TTS, GPT, Gemini och DeepSeek med en integration.
Transparent Prissättning:
Förutsägbar fakturering per token med serverlösa alternativ.
Utvecklarupplevelse:
SDK:er, analys, finjusteringsverktyg och mallar.
Tillförlitlighet:
99.99% drifttid, RBAC och efterlevnadsredo loggning.
Säkerhet & Efterlevnad:
SOC 2 Type II, HIPAA-anpassning, datasuveränitet i USA.
Qwen Audio 3.1 TTS är Alibabas modellfamilj för text-till-tal, med varianterna Plus och Flash tillgängliga på Atlas Cloud. Plus fokuserar på förstklassig talkvalitet, medan Flash inriktar sig på interaktioner med låg latens, med flerspråkiga röster och stöd för kinesiska dialekter.
Skapa berättarröster för ljudböcker, varumärkesinnehåll, dubbning och karaktärsframträdanden med Plus. För röstassistenter, konversationsappar och kundtjänst prioriterar Flash responsiv talgenerering.
Skapa en Atlas Cloud API-nyckel och välj modell-ID för Plus eller Flash från dess modellsida. Skicka in din text och en kompatibel röst till slutpunkten generateAudio med hjälp av Bearer-autentisering. Spara det returnerade uppgifts-ID:t och polla slutpunkten prediction tills det genererade ljudet är tillgängligt.
Språktäckningen beror på modellen och den valda rösten. Flash inkluderar flerspråkiga röster som stöder japanska, koreanska, franska, tyska, portugisiska, italienska, vietnamesiska och indonesiska, tillsammans med kinesiska dialekter som shanghainesiska, kantonesiska och nordostkinesiska. Välj en röst som stöder ditt målspråk eller din måldialekt innan du genererar tal.
Ljudutdataformat som stöds inkluderar MP3, PCM, WAV och Opus. SSML- och LaTeX-inmatningar stöds också, även om tillgängligheten för SSML beror på den valda rösten. På Atlas Cloud använder du output_format för att välja ljudformat och enable_ssml när du skickar in SSML.
Använd instruktioner på naturligt språk för att styra känsla, ton, persona och talstil. Atlas Cloud exponerar även reglage för hastighet, tonhöjd och volym på Plus-slutpunkten för mer exakta justeringar av uppläsningen. Testa dina instruktioner med den valda rösten för att kontrollera att resultatet överensstämmer med din avsedda prestation.
Plus stöder robust röstkloning från referensljud som innehåller brus eller efterklang. Utvärdera det syntetiserade resultatet med representativa inspelningar innan du använder det i produktion, särskilt när talarlikhet och uttal är viktigt.
Välj Plus när ljudtrohet och uttrycksfulla detaljer är av största vikt, till exempel för varumärkesröster, ljudböcker och dubbning. Flash är utformat för applikationer som prioriterar låg fördröjning för första paketet (first-packet latency), inklusive röstassistenter och interaktiva konversationer. Jämför båda med samma manus och lämpliga röster innan du väljer en produktionsmodell.
Atlas Clouds standardpriser är 0,03 USD per 1 000 inmatningstecken för Plus och 0,003 USD per 1 000 inmatningstecken för Flash. Detta är standardpriserna som tillhandahålls av Atlas Clouds backend, exklusive kampanjrabatter.
Flash är optimerat för förstepaketslatens på modellnivå. Atlas Clouds dokumenterade arbetsflöde för ljudgenerering skickar en asynkron uppgift och hämtar det färdiga resultatet genom att polla dess uppgifts-ID. Mät tiden från inlämning till uppspelning i din applikation i stället för att betrakta modellatensen som en garanti för strömmande leverans.
Guider, handledningar och produktnyheter som hjälper dig att få ut mesta möjliga av Atlas Cloud.