

ตระกูล Qwen Audio 3.0 TTS ของ Alibaba ให้บริการแอปพลิเคชันโซเชียล แอปพลิเคชันเพื่อนคู่คิด และแอปพลิเคชันแบบเรียลไทม์ แนะนำการส่งผ่านเสียงและระดับเสียงของ Plus ด้วยคำสั่งภาษาธรรมชาติ หรือใช้ Flash สำหรับการสนทนาสดและบริการลูกค้า Atlas Cloud เสนอราคามาตรฐานที่ 0.02 ดอลลาร์ต่ออักขระอินพุต 1,000 ตัวสำหรับ Plus และ 0.015 ดอลลาร์สำหรับ Flash ซึ่งช่วยให้คุณประเมินต้นทุนสำหรับแต่ละเวิร์กโหลด เริ่มต้นสร้างได้ตั้งแต่วันนี้
Qwen Audio 3.0 TTS พัฒนาโดย Alibaba โดย Atlas Cloud (ดำเนินการโดย Atlas Cloud AI LLC) เป็นผู้ให้บริการเข้าถึงโมเดลนี้ แต่ไม่ได้เป็นเจ้าของโมเดล เครื่องหมายการค้าทั้งหมดเป็นของเจ้าของที่เกี่ยวข้อง
Atlas Cloud มอบโมเดลสร้างสรรค์ล่าสุดที่นำหน้าในอุตสาหกรรมให้กับคุณ
เลือกเสียงพูดระดับเรือธงที่ถ่ายทอดอารมณ์ได้สำหรับประสบการณ์แบบเพื่อนคู่ใจ หรือเสียงพูดที่มีความหน่วงต่ำสำหรับการโต้ตอบแบบเรียลไทม์
| รูปแบบการทำงาน | คำอธิบาย |
|---|---|
| Qwen Audio 3.0 TTS Flash API (Text to Speech) | แปลงข้อความเป็นเสียงพูดด้วยการสังเคราะห์ที่มีความหน่วงต่ำ รองรับภาษาหลากหลาย และครอบคลุมสำเนียงภาษาจีน กำหนดแนวทางการใช้เสียงพูดได้อย่างยืดหยุ่น เหมาะสำหรับผู้ช่วยเสียง บทสนทนาแบบเรียลไทม์ และงานบริการลูกค้า ราคามาตรฐานอยู่ที่ $0.015 ต่ออักขระขาเข้า 1,000 ตัว |
| Qwen Audio 3.0 TTS Plus API (Text to Speech) | สำหรับแอปโซเชียลและแอปเพื่อนคู่ใจ endpoint ระดับเรือธงนี้จะแปลงข้อความเป็นเสียงพูดที่เป็นธรรมชาติและถ่ายทอดอารมณ์ได้ โดยใช้เสียงจากระบบ ปรับอารมณ์ น้ำเสียง บทบาท ความเร็ว และระดับเสียงได้ผ่านคำสั่งที่ยืดหยุ่น เพื่อกำหนดลักษณะของการโต้ตอบแต่ละครั้ง ราคามาตรฐานอยู่ที่ $0.02 ต่ออักขระขาเข้า 1,000 ตัว |
เลือก Qwen Audio 3.0 TTS Flash หรือ Plus สำหรับความต้องการในการสนทนาที่แตกต่างกัน พร้อมแคตตาล็อกเสียงที่ครอบคลุม การสังเคราะห์เสียงหลายภาษา การส่งเสียงที่ปรับได้ การป้อนข้อความแบบมีโครงสร้าง และเอาต์พุตเสียงที่ยืดหยุ่นผ่าน Atlas Cloud
Qwen Audio 3.0 TTS นำเสนอ Flash สำหรับการโต้ตอบที่มีความหน่วงต่ำ และ Plus สำหรับเสียงเพื่อนคู่สนทนาที่เป็นธรรมชาติและเต็มไปด้วยอารมณ์ อัตราค่าบริการมาตรฐานของ Atlas Cloud อยู่ที่ $0.015 ต่ออักขระอินพุต 1,000 ตัวสำหรับ Flash และ $0.02 สำหรับ Plus เลือกโมเดลที่ตรงกับลำดับความสำคัญในการสนทนาของผลิตภัณฑ์ของคุณ พร้อมระบบการเรียกเก็บเงินตามการใช้งานจริง (pay-as-you-go) สิ่งนี้ทำให้ผู้ช่วยเสียง เครื่องมือบริการลูกค้า และแอปพลิเคชันโซเชียลมีตัวเลือกการสังเคราะห์เสียงสองตัวเลือกที่กำหนดราคาไว้อย่างชัดเจน
โมเดล 3.0 แต่ละรุ่นจะนำเสนอแค็ตตาล็อกเสียงพื้นฐานที่โคลนมา 597 เสียง พร้อมตัวอย่างเสียงให้ฟังล่วงหน้า รวมถึงป้ายกำกับเพศและภาษา เลือกดูเสียงที่มีให้ใช้งาน ฟังตัวอย่าง และส่ง Voice ID ของโมเดลที่เลือกร่วมกับข้อความของคุณ Voice ID จะมีความเฉพาะเจาะจงกับแต่ละโมเดล สิ่งนี้ช่วยให้การคัดเลือกผู้บรรยายหรือตัวละครเพื่อนร่วมทางทำได้ง่ายขึ้นก่อนที่คุณจะผสานการทำงานของเสียงพูดเข้ากับแอปพลิเคชันของคุณ
สำหรับเสียงพูดหลายภาษา ทั้งสองโมเดลยอมรับคำแนะนำภาษาหนึ่งรายการต่อคำขอ โดยมี 10 รหัสที่รองรับซึ่งครอบคลุมภาษาจีน อังกฤษ ญี่ปุ่น เกาหลี ฝรั่งเศส เยอรมัน โปรตุเกส อิตาลี เวียดนาม และอินโดนีเซีย กำหนด language_hints สำหรับภาษาเป้าหมายและเลือกเสียงที่เข้ากันได้ Flash ยังรองรับการสังเคราะห์ภาษาถิ่นของจีนอีกด้วย นักพัฒนาสามารถใช้การควบคุมเหล่านี้เพื่อปรับแต่งประสบการณ์เสียงพูดสำหรับผู้ชมในระดับนานาชาติและชุมชนชาวจีนในภูมิภาค
บอกโมเดลว่าประโยคควรให้ความรู้สึกอย่างไรผ่านคำสั่งภาษาธรรมชาติสำหรับอารมณ์ น้ำเสียง บุคลิกภาพ และวิธีการนำเสนอ โมเดลทั้งสองยังให้คุณปรับตัวคูณความเร็วและระดับเสียงได้ตั้งแต่ 0.5 ถึง 2.0 และระดับความดังตั้งแต่ 0 ถึง 100 รวมคำสั่งรูปแบบเข้ากับการควบคุมตัวเลขเหล่านี้เพื่อปรับแต่งสคริปต์เดียวกัน บทสนทนาที่แสดงอารมณ์และประสบการณ์เพื่อนร่วมทางเสมือนจริงจะได้รับประโยชน์จากการนำเสนอที่ปรับแต่งให้เข้ากับสถานการณ์
เมื่อสคริปต์ต้องการการหยุดชั่วคราวอย่างตั้งใจหรือการอ่านคณิตศาสตร์ ทั้งสองโมเดลรองรับการป้อนข้อมูล SSML และ LaTeX โดยเปิดใช้งาน enable_ssml ส่งข้อความที่เตรียมไว้ผ่านคำขอการสังเคราะห์เดียวกัน แทนที่จะปฏิบัติต่อทุกย่อหน้าเหมือนข้อความธรรมดา SSML มีวิธีในการทำเครื่องหมายการหยุดชั่วคราว ในขณะที่ LaTeX เป็นตัวแทนของสูตรสำหรับเสียงพูด ตัวเลือกการป้อนข้อมูลเหล่านี้เหมาะสำหรับการบรรยายเพื่อการศึกษาและสคริปต์ที่ต้องการการอ่านอย่างรอบคอบมากขึ้น
การจัดส่งเสียงรองรับสี่รูปแบบ: MP3, PCM, WAV และ Opus พร้อมตัวเลือกอัตราสุ่มตัวอย่างเจ็ดระดับตั้งแต่ 8,000 ถึง 48,000 Hz เลือก output_format และ sample_rate ในคำขอของคุณ bit_rate ใช้กับ Opus เท่านั้น Atlas Cloud ใช้การส่งแบบอะซิงโครนัสและการสำรวจรหัสงาน (task ID polling) เพื่อดึง URL ของเสียงที่สร้างขึ้น เวิร์กโฟลว์นี้ช่วยให้ทีมงานสามารถเตรียมไฟล์เสียงสำหรับข้อกำหนดการเล่นและการผลิตที่แตกต่างกันผ่าน API เดียว
เปรียบเทียบ Qwen Audio 3.0 TTS กับรุ่นเรือธงที่สืบทอดต่อมาและตัวเลือกจาก ElevenLabs โดยใช้สคริปต์เดียวกันที่กระตุ้นให้เกิดการหยุดชั่วคราวที่ละเอียดอ่อน การเปลี่ยนแปลงทางอารมณ์ และตอนจบที่อบอุ่น
ชู่ว... ฉันนึกว่าเราเสียคุณไปแล้วเสียอีก เดี๋ยวก่อน แสงนั้น... คุณหาทางกลับบ้านเจอแล้ว! มานี่สิ ตอนนี้คุณปลอดภัยแล้ว และคืนนี้ จะไม่มีใครต้องเผชิญกับความมืดลำพังอีกต่อไป
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
ฟังนะ... แค่เสียงกรอบเบาๆ ตอนนี้ ลองคำแรกดูสิ: แป้งกรอบๆ เนยอุ่นๆ ความสุขที่แท้จริง! โอ้ มันอร่อยมาก เชิญนั่งสิ ที่โต๊ะของเรามีที่ว่างสำหรับคุณเสมอ
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
ผสานเสียง Plus ที่ถ่ายทอดอารมณ์ได้ดีเข้ากับการสังเคราะห์เสียง Flash ที่เน้นความหน่วงต่ำใน Qwen Audio 3.0 TTS เพื่อสร้างบทสนทนาสำหรับเพื่อนคู่ใจ ผู้ช่วยเสียง บริการช่วยเหลือหลายภาษา การบรรยายเรื่องราว เสียงพากย์แบรนด์ และบทเรียนเสียง
เพิ่มเสียงที่ถ่ายทอดอารมณ์ได้ดีให้เพื่อนคู่ใจเสมือนจริงด้วย Plus โดยใช้คำสั่งกำหนดอารมณ์ น้ำเสียง และบทบาท สร้างคำทักทายที่อบอุ่น บทสนทนาขี้เล่น หรือคำตอบที่ช่วยให้รู้สึกอุ่นใจ สำหรับแอปโซเชียลและประสบการณ์ตัวละครแบบโต้ตอบ
เมื่อผู้ช่วยต้องตอบกลับด้วยเสียง Flash จะช่วยสังเคราะห์เสียงพูดโดยปรับให้มีความหน่วงต่ำและรองรับบทสนทนาแบบเรียลไทม์ ใช้เป็นเลเยอร์เอาต์พุตเสียงสำหรับอินเทอร์เฟซการสนทนาที่แปลงข้อความที่สร้างขึ้นเป็นคำพูด
Flash รองรับหลายภาษาและสำเนียงภาษาจีน ช่วยให้เวิร์กโฟลว์บริการลูกค้ามีเสียงพูดที่เหมาะกับท้องถิ่น เปลี่ยนคำตอบช่วยเหลือที่เป็นลายลักษณ์อักษรให้เป็นคำแนะนำด้วยเสียง เพื่อมอบประสบการณ์ช่วยเหลือในแต่ละภูมิภาคที่ตรงกับกลุ่มผู้ใช้ของแอปพลิเคชัน
ด้วย Plus คำสั่งจะกำหนดอารมณ์และน้ำเสียงของผู้บรรยาย ส่วนการควบคุมเสียงพูดใช้ปรับจังหวะและระดับเสียง สร้างเนื้อเรื่องและบทพูดตัวละครในรูปแบบเสียง สำหรับโปรเจกต์หนังสือเสียง แอปเล่าเรื่อง และเนื้อหาเสียงแบบแบ่งตอน
เปลี่ยนสคริปต์ผลิตภัณฑ์ให้เป็นเสียงพากย์ที่ถ่ายทอดอารมณ์ได้ด้วย Plus โดยใช้คำสั่งกำหนดรูปแบบการพูดและบุคลิก สร้างเสียงแนะนำผลิตภัณฑ์ คลิปโปรโมต และคำแนะนำการใช้งานแอป โดยกำหนดทิศทางเสียงให้สะท้อนเอกลักษณ์ของแบรนด์
สำหรับแอปเพื่อการเรียนรู้ Plus จะแปลงข้อความให้ความรู้เป็นเสียงพูดที่ถ่ายทอดอารมณ์ได้ พร้อมปรับความเร็วและระดับเสียงได้ ผู้สอนสามารถสร้างตัวอย่างพร้อมคำบรรยาย บทนำเข้าสู่บทเรียน และคู่มือทบทวนบทเรียนในรูปแบบเสียง โดยเลือกวิธีถ่ายทอดให้เหมาะกับสื่อการสอน
เปรียบเทียบ Qwen Audio 3.0 TTS กับตัวแปร 3.1 และโมเดล MiniMax Speech ตามจุดเน้นของแอปพลิเคชัน การควบคุมเสียง รูปแบบเสียง และราคามาตรฐานของ Atlas Cloud
| โมเดล | การใช้งานหลัก | การควบคุมเสียงพูด | รูปแบบเสียง | ราคามาตรฐาน / 1K ตัวอักษร |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | เสียงพูดที่ถ่ายทอดอารมณ์ได้ เหมาะกับโซเชียลและประสบการณ์ผู้ช่วยส่วนตัว | ระบุอารมณ์ น้ำเสียง และบทบาทผ่านคำสั่ง พร้อมปรับความเร็ว ระดับเสียง และความดังได้ | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | สังเคราะห์เสียงหน่วงต่ำ เหมาะกับผู้ช่วย บทสนทนาแบบเรียลไทม์ และบริการลูกค้า | ปรับความเร็ว ระดับเสียง และความดัง พร้อมระบุอารมณ์และรูปแบบการพูดผ่านคำสั่ง | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | เสียงแบรนด์ หนังสือเสียง พากย์เสียง และการแสดงเป็นตัวละคร | กำหนดการถ่ายทอดอารมณ์และบทบาทตัวละครผ่านคำสั่ง พร้อมปรับความเร็ว ระดับเสียง และความดังได้ | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | เสียงพูดหลายภาษาและสำเนียงสำหรับแอปพลิเคชันแบบโต้ตอบ | ใช้คำสั่งภาษาธรรมชาติร่วมกับแท็กการถ่ายทอดอารมณ์ และปรับพารามิเตอร์เสียงพูดได้ | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | สร้างเสียงพูดโดยเน้นความเป็นธรรมชาติและการถ่ายทอดอารมณ์ | เลือกเสียงพูดและปรับความเร็ว ระดับเสียง และความดังได้ | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | สร้างเสียงพูดได้รวดเร็ว พร้อมเลือกเสียงพูดและใช้แท็กคำอุทานแทรก | ใช้พรีเซ็ตอารมณ์และคำอุทานแทรกในข้อความ พร้อมกำหนดความเร็ว ระดับเสียง และความดัง | MP3, WAV, FLAC | $0.06 |
เริ่มต้นได้ในไม่กี่นาที — ทำตามขั้นตอนง่าย ๆ เหล่านี้เพื่อเชื่อมต่อและใช้งานโมเดลผ่านแพลตฟอร์ม Atlas Cloud
สมัครสมาชิกที่ atlascloud.ai และยืนยันตัวตน ผู้ใช้ใหม่จะได้รับเครดิตฟรีเพื่อสำรวจแพลตฟอร์มและทดสอบโมเดล
การรวมโมเดล Qwen Audio 3.0 TTS ขั้นสูงเข้ากับแพลตฟอร์มที่เร่งด้วย GPU ของ Atlas Cloud ให้ประสิทธิภาพ ความสามารถในการขยาย และประสบการณ์นักพัฒนาที่ไม่มีใครเทียบได้
เวลาแฝงต่ำ:
inference ที่ปรับแต่ง GPU เพื่อการตอบสนองแบบเรียลไทม์
API แบบรวมศูนย์:
รัน Qwen Audio 3.0 TTS, GPT, Gemini และ DeepSeek ด้วยการเชื่อมต่อเดียว
ราคาโปร่งใส:
ชำระเงินต่อโทเค็นที่คาดเดาได้พร้อมตัวเลือก serverless
ประสบการณ์นักพัฒนา:
SDK, การวิเคราะห์, เครื่องมือปรับแต่ง และเทมเพลต
ความน่าเชื่อถือ:
ความพร้อมใช้งาน 99.99%, RBAC และการบันทึกที่พร้อมสำหรับการปฏิบัติตาม
ความปลอดภัยและการปฏิบัติตาม:
SOC 2 Type II, สอดคล้อง HIPAA, อธิปไตยข้อมูลในสหรัฐอเมริกา
Qwen Audio 3.0 TTS คือชุดโมเดลแปลงข้อความเป็นเสียงพูดของ Alibaba ซึ่งมีให้ใช้งานบน Atlas Cloud ในรุ่น Plus และ Flash โดยแปลงข้อความที่เขียนเป็นเสียงพูด และรองรับคำสั่งภาษาธรรมชาติเพื่อควบคุมอารมณ์ น้ำเสียง คาแรกเตอร์ และวิธีการพูด
สร้างประสบการณ์แบบใช้เสียงสำหรับเพื่อนคู่สนทนาบนโซเชียล ผู้ช่วยเสียง บทสนทนาแบบโต้ตอบ และบริการลูกค้า การถ่ายทอดอารมณ์ที่เป็นธรรมชาติทำให้ Plus เหมาะกับการโต้ตอบในรูปแบบเพื่อนคู่สนทนา ส่วน Flash ปรับแต่งมาสำหรับแอปพลิเคชันที่ให้ความสำคัญกับการสร้างเสียงพูดที่มีความหน่วงต่ำ
สร้างคีย์ API ของ Atlas Cloud จากนั้นส่งคำขอ POST ที่ผ่านการยืนยันตัวตนไปยัง https://api.atlascloud.ai/api/v1/model/generateAudio โดยระบุ model, text และ voice ใช้ alibaba/qwen-audio-3.0-tts-plus/text-to-speech หรือ alibaba/qwen-audio-3.0-tts-flash/text-to-speech เป็น model ID เรียกตรวจสอบ https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id} ด้วย task ID ที่ได้รับซ้ำจนกว่าการสร้างจะเสร็จสิ้น แล้วดึง URL ของเสียงจาก outputs
ราคามาตรฐานบน Atlas Cloud คือ $0.02 ต่ออักขระขาเข้า 1,000 ตัวสำหรับ Plus และ $0.015 ต่ออักขระขาเข้า 1,000 ตัวสำหรับ Flash ทั้งสองรุ่นคิดค่าบริการตามจำนวนอักขระและการใช้งานจริง
แต่ละรุ่นมีเสียงพื้นฐาน 597 แบบ พร้อมป้ายกำกับภาษาและเพศ รวมถึงตัวอย่างเสียงให้ทดลองฟังบนหน้าโมเดลของ Atlas Cloud โมเดลรองรับเสียงพูดหลายภาษาและสำเนียงจีน โดยมีคำใบ้ภาษา เช่น จีน อังกฤษ ญี่ปุ่น และเกาหลี ควรทดลองฟังเสียงในภาษาและสำเนียงเป้าหมายก่อนเลือกใช้จริง
ระบุอารมณ์ น้ำเสียง หรือคาแรกเตอร์ที่ต้องการในพารามิเตอร์ instruction และปรับความเร็ว ระดับเสียง และความดังผ่านพารามิเตอร์เฉพาะของแต่ละค่า สำหรับอินพุตข้อความแบบมีโครงสร้าง enable_ssml รองรับ SSML และ LaTeX ซึ่งช่วยควบคุมการเรนเดอร์เสียงพูดได้มากขึ้น
เลือก MP3, PCM, WAV หรือ Opus ผ่าน output_format โดยค่าเริ่มต้นคือ MP3 ทั้งสองโมเดลยังรองรับ sample_rate ส่วน bit_rate ใช้ได้เฉพาะกับเอาต์พุต Opus
เลือก Plus เมื่อการถ่ายทอดเสียงที่เป็นธรรมชาติและเปี่ยมอารมณ์เป็นหัวใจสำคัญของประสบการณ์โซเชียลหรือเพื่อนคู่สนทนา หากแอปพลิเคชันของคุณให้ความสำคัญกับการโต้ตอบที่มีความหน่วงต่ำและต้นทุนต่ออักขระที่ถูกกว่า Flash เป็นจุดเริ่มต้นที่เหมาะกว่า ก่อนตัดสินใจ ให้ลองเปรียบเทียบทั้งสองรุ่นด้วยสคริปต์เดียวกันและรูปแบบการพูดที่ต้องการ
การเชื่อมต่อ Atlas Cloud ตามเอกสารใช้วิธีส่งคำขอแบบอะซิงโครนัสและตรวจสอบสถานะเป็นระยะ โดยจะส่งคืน URL ของเสียงเมื่องานเสร็จสิ้น ให้ออกแบบการเล่นเสียงโดยถือว่า endpoint นี้ทำงานในรูปแบบงานที่ต้องรอผล และตรวจสอบความพร้อมใช้งานของการสตรีมแยกต่างหาก หากแอปพลิเคชันของคุณต้องการรับข้อมูลเสียงเป็นส่วน ๆ ระหว่างการสร้าง
การใช้ voice ID ของโมเดลอื่นอาจทำให้เกิด InvalidParameter ดังนั้นให้เลือกเสียงจากแค็ตตาล็อกที่ตรงกับรุ่นที่เลือก เมื่อสลับระหว่าง Plus กับ Flash ให้อัปเดตทั้ง model และ voice แทนการนำ voice ID เดิมกลับมาใช้
คู่มือ บทแนะนำ และอัปเดตผลิตภัณฑ์ ที่ช่วยให้คุณใช้ Atlas Cloud ได้อย่างเต็มประสิทธิภาพ