Seedance 2.5 Flash ลดทันที 35% — สิ้นสุดวันที่ 30 พฤศจิกายน
Hero background 1Hero background 2

Qwen Audio 3.0 TTS Voice Direction

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

สำรวจโมเดลชั้นนำ

Atlas Cloud มอบโมเดลสร้างสรรค์ล่าสุดที่นำหน้าในอุตสาหกรรมให้กับคุณ

Qwen Audio 3.0 TTS: เปรียบเทียบ endpoint สำหรับสร้างเสียงพูด

เลือกเสียงพูดระดับเรือธงที่ถ่ายทอดอารมณ์ได้สำหรับประสบการณ์แบบเพื่อนคู่ใจ หรือเสียงพูดที่มีความหน่วงต่ำสำหรับการโต้ตอบแบบเรียลไทม์

รูปแบบการทำงานคำอธิบาย
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

Qwen Audio 3.0 TTS: เสียงตอบสนองพร้อมการควบคุมการแสดงออก

เลือก Qwen Audio 3.0 TTS Flash หรือ Plus สำหรับความต้องการในการสนทนาที่แตกต่างกัน พร้อมแคตตาล็อกเสียงที่ครอบคลุม การสังเคราะห์เสียงหลายภาษา การส่งเสียงที่ปรับได้ การป้อนข้อความแบบมีโครงสร้าง และเอาต์พุตเสียงที่ยืดหยุ่นผ่าน Atlas Cloud

Qwen Audio 3.0 TTS: Flash หรือ Plus

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

แคตตาล็อก 597 เสียง

โมเดล 3.0 แต่ละรุ่นจะนำเสนอแค็ตตาล็อกเสียงพื้นฐานที่โคลนมา 597 เสียง พร้อมตัวอย่างเสียงให้ฟังล่วงหน้า รวมถึงป้ายกำกับเพศและภาษา เลือกดูเสียงที่มีให้ใช้งาน ฟังตัวอย่าง และส่ง Voice ID ของโมเดลที่เลือกร่วมกับข้อความของคุณ Voice ID จะมีความเฉพาะเจาะจงกับแต่ละโมเดล สิ่งนี้ช่วยให้การคัดเลือกผู้บรรยายหรือตัวละครเพื่อนร่วมทางทำได้ง่ายขึ้นก่อนที่คุณจะผสานการทำงานของเสียงพูดเข้ากับแอปพลิเคชันของคุณ

เสียงพูดข้ามภาษาและภาษาถิ่น

สำหรับเสียงพูดหลายภาษา ทั้งสองโมเดลยอมรับคำแนะนำภาษาหนึ่งรายการต่อคำขอ โดยมี 10 รหัสที่รองรับซึ่งครอบคลุมภาษาจีน อังกฤษ ญี่ปุ่น เกาหลี ฝรั่งเศส เยอรมัน โปรตุเกส อิตาลี เวียดนาม และอินโดนีเซีย กำหนด language_hints สำหรับภาษาเป้าหมายและเลือกเสียงที่เข้ากันได้ Flash ยังรองรับการสังเคราะห์ภาษาถิ่นของจีนอีกด้วย นักพัฒนาสามารถใช้การควบคุมเหล่านี้เพื่อปรับแต่งประสบการณ์เสียงพูดสำหรับผู้ชมในระดับนานาชาติและชุมชนชาวจีนในภูมิภาค

การกำหนดรูปแบบการแสดงออก TTS ของ Qwen Audio 3.0

บอกโมเดลว่าประโยคควรให้ความรู้สึกอย่างไรผ่านคำสั่งภาษาธรรมชาติสำหรับอารมณ์ น้ำเสียง บุคลิกภาพ และวิธีการนำเสนอ โมเดลทั้งสองยังให้คุณปรับตัวคูณความเร็วและระดับเสียงได้ตั้งแต่ 0.5 ถึง 2.0 และระดับความดังตั้งแต่ 0 ถึง 100 รวมคำสั่งรูปแบบเข้ากับการควบคุมตัวเลขเหล่านี้เพื่อปรับแต่งสคริปต์เดียวกัน บทสนทนาที่แสดงอารมณ์และประสบการณ์เพื่อนร่วมทางเสมือนจริงจะได้รับประโยชน์จากการนำเสนอที่ปรับแต่งให้เข้ากับสถานการณ์

ความแม่นยำของ SSML และการอ่านสูตร

เมื่อสคริปต์ต้องการการหยุดชั่วคราวอย่างตั้งใจหรือการอ่านคณิตศาสตร์ ทั้งสองโมเดลรองรับการป้อนข้อมูล SSML และ LaTeX โดยเปิดใช้งาน enable_ssml ส่งข้อความที่เตรียมไว้ผ่านคำขอการสังเคราะห์เดียวกัน แทนที่จะปฏิบัติต่อทุกย่อหน้าเหมือนข้อความธรรมดา SSML มีวิธีในการทำเครื่องหมายการหยุดชั่วคราว ในขณะที่ LaTeX เป็นตัวแทนของสูตรสำหรับเสียงพูด ตัวเลือกการป้อนข้อมูลเหล่านี้เหมาะสำหรับการบรรยายเพื่อการศึกษาและสคริปต์ที่ต้องการการอ่านอย่างรอบคอบมากขึ้น

สี่รูปแบบ หนึ่งเวิร์กโฟลว์เสียง

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

Qwen Audio 3.0 TTS และมากกว่านั้น: หนึ่งบทสคริปต์, สามเสียง

เปรียบเทียบ Qwen Audio 3.0 TTS กับรุ่นเรือธงที่สืบทอดต่อมาและตัวเลือกจาก ElevenLabs โดยใช้สคริปต์เดียวกันที่กระตุ้นให้เกิดการหยุดชั่วคราวที่ละเอียดอ่อน การเปลี่ยนแปลงทางอารมณ์ และตอนจบที่อบอุ่น

พรอมต์

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

พรอมต์

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

จากเพื่อนคู่ใจสู่ผู้ช่วย: Qwen Audio 3.0 TTS

ผสานเสียง Plus ที่ถ่ายทอดอารมณ์ได้ดีเข้ากับการสังเคราะห์เสียง Flash ที่เน้นความหน่วงต่ำใน Qwen Audio 3.0 TTS เพื่อสร้างบทสนทนาสำหรับเพื่อนคู่ใจ ผู้ช่วยเสียง บริการช่วยเหลือหลายภาษา การบรรยายเรื่องราว เสียงพากย์แบรนด์ และบทเรียนเสียง

บทสนทนากับเพื่อนคู่ใจด้วย Qwen Audio 3.0 TTS

เพิ่มเสียงที่ถ่ายทอดอารมณ์ได้ดีให้เพื่อนคู่ใจเสมือนจริงด้วย Plus โดยใช้คำสั่งกำหนดอารมณ์ น้ำเสียง และบทบาท สร้างคำทักทายที่อบอุ่น บทสนทนาขี้เล่น หรือคำตอบที่ช่วยให้รู้สึกอุ่นใจ สำหรับแอปโซเชียลและประสบการณ์ตัวละครแบบโต้ตอบ

Qwen Audio 3.0 TTS สำหรับผู้ช่วยเสียง

เมื่อผู้ช่วยต้องตอบกลับด้วยเสียง Flash จะช่วยสังเคราะห์เสียงพูดโดยปรับให้มีความหน่วงต่ำและรองรับบทสนทนาแบบเรียลไทม์ ใช้เป็นเลเยอร์เอาต์พุตเสียงสำหรับอินเทอร์เฟซการสนทนาที่แปลงข้อความที่สร้างขึ้นเป็นคำพูด

รองรับหลายภาษาและสำเนียงท้องถิ่น

Flash รองรับหลายภาษาและสำเนียงภาษาจีน ช่วยให้เวิร์กโฟลว์บริการลูกค้ามีเสียงพูดที่เหมาะกับท้องถิ่น เปลี่ยนคำตอบช่วยเหลือที่เป็นลายลักษณ์อักษรให้เป็นคำแนะนำด้วยเสียง เพื่อมอบประสบการณ์ช่วยเหลือในแต่ละภูมิภาคที่ตรงกับกลุ่มผู้ใช้ของแอปพลิเคชัน

การบรรยายด้วย Qwen Audio 3.0 TTS

ด้วย Plus คำสั่งจะกำหนดอารมณ์และน้ำเสียงของผู้บรรยาย ส่วนการควบคุมเสียงพูดใช้ปรับจังหวะและระดับเสียง สร้างเนื้อเรื่องและบทพูดตัวละครในรูปแบบเสียง สำหรับโปรเจกต์หนังสือเสียง แอปเล่าเรื่อง และเนื้อหาเสียงแบบแบ่งตอน

เสียงพากย์สำหรับแบรนด์และผลิตภัณฑ์

เปลี่ยนสคริปต์ผลิตภัณฑ์ให้เป็นเสียงพากย์ที่ถ่ายทอดอารมณ์ได้ด้วย Plus โดยใช้คำสั่งกำหนดรูปแบบการพูดและบุคลิก สร้างเสียงแนะนำผลิตภัณฑ์ คลิปโปรโมต และคำแนะนำการใช้งานแอป โดยกำหนดทิศทางเสียงให้สะท้อนเอกลักษณ์ของแบรนด์

บทเรียนเสียงและคู่มือการเรียนรู้

สำหรับแอปเพื่อการเรียนรู้ Plus จะแปลงข้อความให้ความรู้เป็นเสียงพูดที่ถ่ายทอดอารมณ์ได้ พร้อมปรับความเร็วและระดับเสียงได้ ผู้สอนสามารถสร้างตัวอย่างพร้อมคำบรรยาย บทนำเข้าสู่บทเรียน และคู่มือทบทวนบทเรียนในรูปแบบเสียง โดยเลือกวิธีถ่ายทอดให้เหมาะกับสื่อการสอน

Qwen Audio 3.0 TTS และทางเลือกอื่น: เปรียบเทียบการควบคุมเสียงและต้นทุน

เปรียบเทียบ Qwen Audio 3.0 TTS กับตัวแปร 3.1 และโมเดล MiniMax Speech ตามจุดเน้นของแอปพลิเคชัน การควบคุมเสียง รูปแบบเสียง และราคามาตรฐานของ Atlas Cloud

โมเดลการใช้งานหลักการควบคุมเสียงพูดรูปแบบเสียงราคามาตรฐาน / 1K ตัวอักษร
Qwen-Audio 3.0 TTS Plusเสียงพูดที่ถ่ายทอดอารมณ์ได้ เหมาะกับโซเชียลและประสบการณ์ผู้ช่วยส่วนตัวระบุอารมณ์ น้ำเสียง และบทบาทผ่านคำสั่ง พร้อมปรับความเร็ว ระดับเสียง และความดังได้MP3, PCM, WAV, Opus$0.02
Qwen-Audio 3.0 TTS Flashสังเคราะห์เสียงหน่วงต่ำ เหมาะกับผู้ช่วย บทสนทนาแบบเรียลไทม์ และบริการลูกค้าปรับความเร็ว ระดับเสียง และความดัง พร้อมระบุอารมณ์และรูปแบบการพูดผ่านคำสั่งMP3, PCM, WAV, Opus$0.015
Qwen-Audio 3.1 TTS Plusเสียงแบรนด์ หนังสือเสียง พากย์เสียง และการแสดงเป็นตัวละครกำหนดการถ่ายทอดอารมณ์และบทบาทตัวละครผ่านคำสั่ง พร้อมปรับความเร็ว ระดับเสียง และความดังได้MP3, PCM, WAV, Opus$0.03
Qwen-Audio 3.1 TTS Flashเสียงพูดหลายภาษาและสำเนียงสำหรับแอปพลิเคชันแบบโต้ตอบใช้คำสั่งภาษาธรรมชาติร่วมกับแท็กการถ่ายทอดอารมณ์ และปรับพารามิเตอร์เสียงพูดได้MP3, PCM, WAV, Opus$0.003
MiniMax Speech 2.8 HDสร้างเสียงพูดโดยเน้นความเป็นธรรมชาติและการถ่ายทอดอารมณ์เลือกเสียงพูดและปรับความเร็ว ระดับเสียง และความดังได้MP3, WAV, FLAC$0.10
MiniMax Speech 2.8 Turboสร้างเสียงพูดได้รวดเร็ว พร้อมเลือกเสียงพูดและใช้แท็กคำอุทานแทรกใช้พรีเซ็ตอารมณ์และคำอุทานแทรกในข้อความ พร้อมกำหนดความเร็ว ระดับเสียง และความดังMP3, WAV, FLAC$0.06

วิธีใช้ Qwen Audio 3.0 TTS บน Atlas Cloud

เริ่มต้นได้ในไม่กี่นาที — ทำตามขั้นตอนง่าย ๆ เหล่านี้เพื่อเชื่อมต่อและใช้งานโมเดลผ่านแพลตฟอร์ม Atlas Cloud

สร้างบัญชี Atlas Cloud

สมัครสมาชิกที่ atlascloud.ai และยืนยันตัวตน ผู้ใช้ใหม่จะได้รับเครดิตฟรีเพื่อสำรวจแพลตฟอร์มและทดสอบโมเดล

ทำไมต้องใช้ Qwen Audio 3.0 TTS บน Atlas Cloud

การรวมโมเดล Qwen Audio 3.0 TTS ขั้นสูงเข้ากับแพลตฟอร์มที่เร่งด้วย GPU ของ Atlas Cloud ให้ประสิทธิภาพ ความสามารถในการขยาย และประสบการณ์นักพัฒนาที่ไม่มีใครเทียบได้

ประสิทธิภาพและความยืดหยุ่น

เวลาแฝงต่ำ:
inference ที่ปรับแต่ง GPU เพื่อการตอบสนองแบบเรียลไทม์

API แบบรวมศูนย์:
รัน Qwen Audio 3.0 TTS, GPT, Gemini และ DeepSeek ด้วยการเชื่อมต่อเดียว

ราคาโปร่งใส:
ชำระเงินต่อโทเค็นที่คาดเดาได้พร้อมตัวเลือก serverless

องค์กรและขนาด

ประสบการณ์นักพัฒนา:
SDK, การวิเคราะห์, เครื่องมือปรับแต่ง และเทมเพลต

ความน่าเชื่อถือ:
ความพร้อมใช้งาน 99.99%, RBAC และการบันทึกที่พร้อมสำหรับการปฏิบัติตาม

ความปลอดภัยและการปฏิบัติตาม:
SOC 2 Type II, สอดคล้อง HIPAA, อธิปไตยข้อมูลในสหรัฐอเมริกา

Qwen Audio 3.0 TTS: เสียง การเข้าถึง API และราคา

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

สำรวจกลุ่มเพิ่มเติม

Seedance 2.5

Seedance 2.5 API นำเสนอโมเดลเสียงและวิดีโอแบบผสานรวมของ ByteDance Seed ให้แก่นักพัฒนา โดยสามารถสร้างเนื้อหา 4 ถึง 30 วินาทีได้ในขั้นตอนเดียวที่ความละเอียดสูงสุดระดับ 4K เนทีฟ จากข้อความ เฟรมแรก หรือข้อมูลอ้างอิงสูงสุด 50 รายการจากรูปภาพ วิดีโอ และเสียง นอกจากนี้ยังสามารถแก้ไขพื้นที่ที่เลือก ขยายคลิป และทำตามอินพุตโมเดลสีขาวและกรีนสกรีนได้

ดูกลุ่ม

Seedance 2.5 Flash

Seedance 2.5 Flash API ช่วยให้นักพัฒนาสามารถใช้งาน Seedance 2.5 ของ ByteDance Seed ที่เปิดตัวเมื่อวันที่ 12 พฤศจิกายน 2026 ในระดับที่รวดเร็วและประหยัดค่าใช้จ่ายมากยิ่งขึ้น โดยสามารถสร้างวิดีโอได้เร็วกว่า Seedance 2.5 เกือบสองเท่า เรนเดอร์ได้สูงสุด 30 วินาทีต่อคลิปที่ความละเอียด 480p หรือ 720p และรองรับรูปภาพสูงสุด 10 รูป วิดีโอ 5 รายการ และคลิปเสียง 5 รายการต่อคำขอ พร้อมการตัดต่อวิดีโอสำหรับสร้างตัวแปรอย่างรวดเร็ว

ดูกลุ่ม

Kling 4.0

Kling 4 API ให้บริการ Kling 4.0 ซึ่งเป็นโมเดลวิดีโอที่ Kuaishou เปิดตัวเมื่อวันที่ 15 ตุลาคม 2026 สามารถสร้างวิดีโอได้สูงสุด 30 วินาทีในครั้งเดียว รองรับคีย์เฟรมสูงสุด 10 เฟรม ผสมผสานรูปภาพ วิดีโอ และวัตถุ 15 รายการผ่าน Omni Reference และเพิ่มระบบเสียงสเตอริโอพร้อมการลิปซิงค์ Atlas Cloud ให้บริการปลายทางทั้งสี่แห่ง รวมถึงการตัดต่อวิดีโอ บนคีย์ที่เข้ากันได้กับ OpenAI เพียงคีย์เดียวในราคาเริ่มต้นที่ 0.11 ดอลลาร์ต่อวินาที เริ่มสร้างได้แล้ววันนี้

ดูกลุ่ม

Seedream 5.5

Seedream 5.5 คือตระกูลผลิตภัณฑ์สำหรับการสร้างและแก้ไขรูปภาพของ ByteDance Seed สามารถควบคุมการแก้ไขด้วยรูปภาพอ้างอิงสูงสุด 10 รูป หรือแบ่งรูปภาพออกเป็นรูปภาพพื้นฐานและเลเยอร์ที่แก้ไขได้สูงสุด 99 เลเยอร์ พร้อมรองรับ OCR สำหรับเลเยอร์ข้อความ (ตัวเลือกเสริม) บน Atlas Cloud การสร้าง การแก้ไข และการแยกเลเยอร์มีค่าใช้จ่ายมาตรฐานที่ 0.02 ดอลลาร์ต่อรูปภาพ ซึ่งช่วยให้นักพัฒนาวางแผนงบประมาณสำหรับเวิร์กโฟลว์รูปภาพได้ เริ่มต้นสร้างสรรค์ผลงานได้ตั้งแต่วันนี้

ดูกลุ่ม

Kling 4.0 Flash

Kling 4.0 Flash API มอบเวอร์ชันที่รวดเร็วและมีต้นทุนต่ำกว่าของโมเดลวิดีโอ Kling 4.0 ของ Kuaishou ให้กับนักพัฒนา โดยสามารถสร้างคลิปวิดีโอความละเอียด 720p ความยาว 3 ถึง 20 วินาทีในอัตราส่วนภาพ 4 แบบ รองรับการอ้างอิงสูงสุด 15 รายการผ่านรูปภาพ วิดีโอ และองค์ประกอบของ Kling ด้วย Omni Reference รวมถึงแก้ไขฟุตเทจที่มีอยู่ด้วยข้อความในขณะที่สร้างเสียงต้นฉบับได้ Atlas Cloud ให้บริการปลายทางทั้ง 4 จุดด้วยคีย์เดียวในราคาเริ่มต้นที่ 0.0571 ดอลลาร์ต่อวินาที และไม่มีการคิดค่าบริการสำหรับคำขอที่ล้มเหลว

ดูกลุ่ม

Wan 3.0

Wan 3.0 เป็นโมเดลวิดีโอใหม่ล่าสุดของ Alibaba ซึ่งสามารถสร้างวิดีโอความละเอียด 1080p ที่ 30fps พร้อมเสียงได้ยาวสูงสุด 30 วินาทีในการสร้างเพียงครั้งเดียว ควบคุมโมเดลด้วยข้อความคำสั่ง (text prompt) เฟรมแรก รูปภาพอ้างอิงสูงสุด 10 รูป หรือเอกสาร รุ่น Standard มีต้นทุนต่อวินาทีที่ถูกกว่า ในขณะที่รุ่น Prime ยังคงความสามารถเดียวกันและประมวลผลลัพธ์ได้เร็วกว่า ทั้งสองรุ่นทำงานบนคีย์ Atlas Cloud เดียวกันกับ Wan 2.7, 2.6 และ 2.5

ดูกลุ่ม

GPT Image 2.6

GPT Image 2.6 API มอบโมเดลรูปภาพของ OpenAI ที่เปิดตัวเมื่อวันที่ 4 พฤศจิกายน 2026 ให้แก่นักพัฒนาในสองเวอร์ชัน ได้แก่ Flare สำหรับการวนซ้ำที่รวดเร็ว และ Sunburst สำหรับงานด้านภาพที่ต้องการรายละเอียด มันสร้างรูปภาพได้เร็วขึ้น 50% กว่าเดิม และเพิ่มเอาต์พุต GIF แบบเคลื่อนไหว, การส่งออก SVG, การแก้ไขมาร์กอัปที่กำหนดเป้าหมายไปยังพื้นที่ที่คุณวงกลม และการตั้งค่าความซับซ้อน Atlas Cloud ให้บริการทั้งสองโมเดลด้วยคีย์ที่เข้ากันได้กับ OpenAI ในรูปแบบการจ่ายเงินตามการใช้งานจริง

ดูกลุ่ม

Kling Image 4.0

Kling Image 4.0 คือโมเดลสร้างภาพของ Kling AI สำหรับการออกแบบภาพที่ให้รายละเอียดสูง ภาพอ้างอิงจะช่วยแนะนำองค์ประกอบของภาพ ในขณะที่เลย์เอาต์แบบยาวจะนำภาพผลิตภัณฑ์และข้อความแบรนด์มารวมเป็นภาพหน้าเพจที่สมบูรณ์ ผลลัพธ์ที่มีความละเอียดสูงให้พื้นที่เพียงพอสำหรับการครอบตัดและการแสดงผล Atlas Cloud ช่วยให้การทำงานร่วมกันง่ายขึ้นด้วย API แบบรวมศูนย์และราคาแบบจ่ายตามการใช้งานจริงที่โปร่งใส เริ่มต้นสร้างได้ตั้งแต่วันนี้

ดูกลุ่ม

MiniMax H3 Image

MiniMax H3 Image สร้างขึ้นต่อยอดจากตระกูล H3 ของ MiniMax โดยผสานรวมการสร้างและการแก้ไขรูปภาพไว้ใน checkpoint เดียวกัน พรอมต์ (prompts) ที่มีรายละเอียดจะช่วยกำหนดทิศทางของตัวละคร ฉาก และองค์ประกอบภาพ ในขณะที่ข้อมูลอ้างอิงที่ป้อนเข้ามาจะคอยควบคุมการเปลี่ยนแปลงทางภาพ Atlas Cloud นำเสนอการเข้าถึงแบบโฮสต์ด้วยระบบการเรียกเก็บเงินตามการใช้งานจริง (pay-as-you-go) ช่วยให้คุณสามารถผสานรวมเวิร์กโฟลว์รูปภาพได้โดยไม่ต้องจัดการโครงสร้างพื้นฐานของโมเดล เริ่มต้นสร้างสรรค์ได้แล้ววันนี้

ดูกลุ่ม

MiniMax H3

MiniMax H3 คือผลิตภัณฑ์วิดีโอแบบมัลติโมดัลของ MiniMax สำหรับการสร้างสรรค์โดยใช้ข้อความ รูปภาพ และข้อมูลอ้างอิง ในเส้นทาง API ที่รองรับ ระบบจะคงลักษณะของวัตถุจากสื่ออ้างอิงไว้ มีอัตราส่วนภาพที่ยืดหยุ่น และจับคู่เสียงที่สร้างขึ้นกับภาพผ่าน H3 Developer โดยโปรไฟล์เอาต์พุตจะถูกเลือกตาม endpoint Atlas Cloud รวมผลิตภัณฑ์ในตระกูลนี้ไว้เบื้องหลังคีย์เดียวที่รองรับ OpenAI พร้อมการคิดค่าบริการตามการใช้งานอย่างโปร่งใส เริ่มต้นที่อัตรามาตรฐาน $0.038 ต่อวินาที เริ่มพัฒนาได้วันนี้

ดูกลุ่ม

GPT Image 2.5

GPT Image 2.5 คือโมเดลสำหรับสร้างและแก้ไขรูปภาพของ OpenAI ซึ่งเปิดตัวเมื่อวันที่ 8 กันยายน 2026 ในสองเวอร์ชัน API โดย Flare เป็นเวอร์ชันเริ่มต้นที่มีความหน่วงต่ำกว่า GPT Image 2 ถึง 50% ในขณะที่ Sunburst ใช้เวลาประมวลผลนานกว่าเพื่อให้สามารถควบคุมการแก้ไขรายละเอียดได้อย่างแม่นยำยิ่งขึ้น ทั้งสองรองรับภาพอ้างอิงสูงสุด 16 ภาพ, คุณภาพ 5 ระดับ, พื้นหลังโปร่งใส และขนาดที่กำหนดเองได้สูงสุด 3840px ทั้งนี้ Atlas Cloud ให้บริการ GPT Image 2.5 API ในราคาตามอัตรา Token ของ OpenAI หรือราคาคงที่ต่อรูปภาพตามระดับ 1K, 2K หรือ 4K

ดูกลุ่ม

Seedream 5.0 Pro

Seedream 5.0 Pro API มอบโมเดลการแก้ไขภาพที่ควบคุมได้ของ ByteDance บน Atlas Cloud ให้กับนักพัฒนา โดยจะวางการแก้ไขอย่างแม่นยำด้วยจุดยึดและพิกัด แยกภาพออกเป็นเลเยอร์ที่แก้ไขได้ ผสานข้อมูลอ้างอิงหลายรายการ และจับคู่สีและวัสดุที่แน่นอน พร้อมข้อความหลายภาษาที่ความละเอียด 2K และ 3K บน Atlas Cloud คุณสามารถเข้าถึงได้ผ่านคีย์เดียว!

ดูกลุ่ม

API เดียวสำหรับ AI สื่อทุกประเภท

สำรวจโมเดลทั้งหมด