

Qwen Audio 3.1 TTS นำตระกูลการสังเคราะห์เสียงของ Alibaba มาสู่นักพัฒนา Flash นำเสนอเสียงหลายภาษาและภาษาถิ่นของจีน รวมถึงภาษาเซี่ยงไฮ้และภาษากวางตุ้ง สำหรับแอปพลิเคชันเชิงโต้ตอบ Plus รองรับการโคลนเสียงจากเสียงอ้างอิงที่มีสัญญาณรบกวนสำหรับงานเสียงระดับพรีเมียม Atlas Cloud ระบุราคามาตรฐานต่อ 1,000 ตัวอักษรที่ 0.003 ดอลลาร์สำหรับ Flash และ 0.03 ดอลลาร์สำหรับ Plus เริ่มต้นพัฒนาได้ตั้งแต่วันนี้
Qwen Audio 3.1 TTS พัฒนาโดย Alibaba โดย Atlas Cloud (ดำเนินการโดย Atlas Cloud AI LLC) เป็นผู้ให้บริการเข้าถึงโมเดลนี้ แต่ไม่ได้เป็นเจ้าของโมเดล เครื่องหมายการค้าทั้งหมดเป็นของเจ้าของที่เกี่ยวข้อง
Atlas Cloud มอบโมเดลสร้างสรรค์ล่าสุดที่นำหน้าในอุตสาหกรรมให้กับคุณ
เลือกการสังเคราะห์เสียงพูดที่มีความหน่วงต่ำสำหรับการโต้ตอบแบบเรียลไทม์ หรือการสร้างเสียงระดับเรือธงพร้อมความสามารถในการโคลนเสียงที่มีประสิทธิภาพ
| โมดาลิตี | คำอธิบาย |
|---|---|
| Qwen Audio 3.1 TTS Flash (Text to Speech) | แปลงข้อความเป็นเสียงพูดด้วยเสียงระบบที่รองรับหลายภาษาและสำเนียงภาษาจีน ใช้คำสั่งควบคุมอารมณ์ น้ำเสียง บทบาท ความเร็ว และระดับเสียง โดยปรับให้มีความหน่วงต่ำในการตอบกลับด้วยเสียงครั้งแรก Flash จึงเหมาะกับผู้ช่วยเสียง การสนทนาแบบเรียลไทม์ และบริการลูกค้าแบบโต้ตอบ |
| Qwen Audio 3.1 TTS Plus (Text to Speech) | สำหรับการผลิตเสียงระดับพรีเมียม Plus แปลงข้อความเป็นเสียงพูดได้หลายภาษาหรือสำเนียง และรองรับการโคลนเสียงจากไฟล์เสียงอ้างอิงที่มีสัญญาณรบกวนได้อย่างมีประสิทธิภาพ ใช้คำสั่งควบคุมอารมณ์ น้ำเสียง บทบาท ความเร็ว และระดับเสียง เหมาะกับเสียงบรรยายที่มีเอกลักษณ์ หนังสือเสียง และการแสดงเป็นตัวละคร |
ตั้งแต่การสังเคราะห์เสียงพูดที่เน้นความหน่วงต่ำของ Flash ไปจนถึงการสร้างเสียงระดับพรีเมียมของ Plus ทำให้ Qwen Audio 3.1 TTS ผสมผสานการส่งมอบที่รองรับหลายภาษา ภาษาถิ่นของจีน การควบคุมการแสดงออก และการเข้าถึง API แบบรวมศูนย์ของ Atlas Cloud
Flash คือระดับความหน่วงต่ำของ Qwen Audio 3.1 TTS ซึ่งได้รับการปรับให้เหมาะสมสำหรับการตอบสนองของแพ็กเก็ตแรกในการโต้ตอบแบบเรียลไทม์ การสังเคราะห์เสียงเป็นการผสมผสานเสียงแบบหลายภาษาเข้ากับคำสั่งสำหรับอารมณ์ น้ำเสียง บทบาท ความเร็ว และระดับเสียง อธิบายรูปแบบการนำเสนอที่แอปพลิเคชันของคุณต้องการในขณะที่ระบุข้อความที่จะพูด ระดับนี้เหมาะสำหรับผู้ช่วยที่สั่งงานด้วยเสียง ผลิตภัณฑ์เชิงสนทนา และประสบการณ์การบริการลูกค้าที่การตอบสนองด้วยเสียงเป็นเรื่องสำคัญ
Plus นำเสนอการสังเคราะห์เสียงระดับพรีเมียมและการโคลนเสียงที่ทรงพลังให้กับ Qwen Audio 3.1 TTS พร้อมด้วยเสียงระบบสี่เสียงที่มีอยู่ในโครงร่างพารามิเตอร์ของ Atlas Cloud โมเดลนี้ได้รับการออกแบบมาเพื่อรักษาความชัดเจนแม้ว่าการบันทึกเสียงอ้างอิงจะมีเสียงรบกวนหรือเสียงก้อง คำสั่งภาษาธรรมชาติจะกำหนดอารมณ์ น้ำเสียง และบุคลิกภาพที่ได้ออกมา เลือก Plus สำหรับการบรรยายแบรนด์ การผลิตหนังสือเสียง การพากย์ภาพยนตร์ และการแสดงตัวละครที่เข้าถึงอารมณ์
เสียงแบบหลายภาษาและภาษาถิ่นของจีนเป็นศูนย์กลางของตระกูลนี้ โดยมีภาษาจีน ภาษาอังกฤษ ภาษาญี่ปุ่น และภาษาเกาหลีรวมอยู่ในภาษาที่รองรับ ความครอบคลุมของภาษาถิ่นของ Flash ประกอบด้วยภาษาเซี่ยงไฮ้ ภาษากวางตุ้ง ภาษาจีนตะวันออกเฉียงเหนือ และภาษาเสฉวน เลือกเสียงที่เหมาะสมกับภาษาหรือภาษาถิ่นที่คุณต้องการ จากนั้นแนะนำการนำเสนอผ่านคำสั่ง การบรรยายที่ปรับให้เหมาะกับท้องถิ่นและประสบการณ์เสียงในภูมิภาคสามารถสะท้อนให้เห็นถึงวิธีการพูดของผู้ชมได้จริง
กำกับการแสดงด้วยคำสั่งภาษาธรรมชาติสำหรับอารมณ์ น้ำเสียง บทบาท และสไตล์การพูด บน Plus ความเร็วและระดับเสียงจะมีช่วงตั้งแต่ 0.5 ถึง 2.0 ในขณะที่ระดับความดังของเสียงจะอยู่ระหว่าง 0 ถึง 100 ผสมผสานการควบคุมเหล่านี้เข้ากับสคริปต์ของคุณเพื่อปรับจังหวะ ระดับเสียงพูด และระดับการส่งออก การควบคุมดังกล่าวช่วยปรับแต่งข้อความสำหรับการบรรยายที่สงบ การโปรโมตที่กระตือรือร้น หรือบทสนทนาของตัวละคร
รูปแบบเอาต์พุตสี่รูปแบบบน Plus ครอบคลุม MP3, PCM, WAV และ Opus โดยมีอัตราการสุ่มตัวอย่างที่เลือกได้ตั้งแต่ 8,000 ถึง 48,000 Hz เลือกรูปแบบและอัตราที่ตรงกับไปป์ไลน์เสียงของคุณ เปิดใช้งาน SSML เมื่ออินพุตของคุณใช้มาร์กอัปที่รองรับหรือ LaTeX ตัวเลือกเหล่านี้ช่วยให้นักพัฒนาเตรียมเสียงสังเคราะห์สำหรับการเล่น การแก้ไข และเนื้อหาด้านการศึกษาโดยไม่ต้องพึ่งพารูปแบบการส่งมอบเพียงรูปแบบเดียว
Atlas Cloud มอบการเข้าถึง API แบบครบวงจรและการเรียกเก็บเงินตามจำนวนอักขระสำหรับทั้งสองระดับ โดยมีอัตรามาตรฐานที่ 0.003 ดอลลาร์ต่อ 1,000 อักขระสำหรับ Flash และ 0.03 ดอลลาร์สำหรับ Plus สำหรับการสร้างด้วย Plus ให้ส่งคำขอแบบอะซิงโครนัสและโพล (poll) prediction ID จนกว่าเสียงจะพร้อม ผลลัพธ์ที่เสร็จสมบูรณ์จะประกอบด้วย URL เสียง เวิร์กโฟลว์นี้ทำให้การสร้างเสียงพูดนำไปใช้ผสานการทำงานเข้ากับแอปพลิเคชันและคิวการใช้งานจริงได้อย่างมีประสิทธิภาพ
เปรียบเทียบ Qwen Audio 3.1 TTS กับโมเดลเสียงอื่นและรุ่นก่อนหน้าโดยใช้สคริปต์เดียวกัน ซึ่งครอบคลุมตั้งแต่การเล่าเรื่องที่ใกล้ชิดไปจนถึงการพากย์กีฬาแบบสด
ฉันเก็บที่นั่งริมหน้าต่างไว้ให้คุณ ทุกคืนฉันคิดว่าคุณอาจจะกลับบ้าน เดี๋ยวนะ... นั่นคุณจริงๆ หรือคะ? คุณอยู่นี่แล้ว! เชิญเข้ามาข้างในเถิดที่รัก กาต้มน้ำยังอุ่นอยู่ เพื่อคุณโดยเฉพาะ
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
โค้งสุดท้ายแล้ว และเธอยังคงตามหลังอยู่ ฟังเสียงเชียร์จากฝูงชนสิ... เธอหาช่องว่างเจอ ขึ้นนำ และคว้าชัยชนะไปได้! เป็นการเข้าเส้นชัยที่ยอดเยี่ยมมาก! สูดลมหายใจ แชมเปี้ยน ทุกเช้าตรู่ที่ผ่านมาได้นำพาคุณมาสู่ช่วงเวลานี้
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
ตั้งแต่แคมเปญแบรนด์และหนังสือเสียง ไปจนถึงบทสนทนาของตัวละคร ผู้ช่วยเสียง การสนับสนุนระดับภูมิภาค และบทเรียนที่แปลเป็นภาษาท้องถิ่น Qwen Audio 3.1 TTS ได้นำเสียงที่ควบคุมได้มาสู่การผลิตเนื้อหาและแอปพลิเคชันเชิงโต้ตอบ
Plus เปลี่ยนสคริปต์แคมเปญให้เป็นเสียงพากย์ระดับพรีเมียมพร้อมคำสั่งสำหรับอารมณ์ น้ำเสียง และการนำเสนอ สร้างเสียงบรรยายการเปิดตัวสินค้า เสียงส่งเสริมการขาย และข้อความแบรนด์ด้วยสไตล์การพูดที่ปรับแต่งให้เข้ากับแต่ละแคมเปญ
ชุบชีวิตเรื่องราวให้มีสีสันผ่านการบรรยายด้วย Plus ที่สามารถควบคุมอารมณ์ ความเร็วในการพูด และระดับเสียงได้ ผู้จัดพิมพ์และแอปหนังสือเสียงสามารถเปลี่ยนบทแต่ละบทให้เป็นเสียงที่สื่ออารมณ์ได้ โดยปรับแต่งการถ่ายทอดสำหรับบทสนทนาและย่อหน้าบรรยาย
เมื่อแอปพลิเคชันต้องการการตอบกลับด้วยเสียง Flash จะให้การสังเคราะห์เสียงพูดที่ปรับแต่งมาเพื่อลดความหน่วงของแพ็กเก็ตแรก ใช้เป็นเลเยอร์เอาต์พุตเสียงสำหรับผู้ช่วยสนทนา เพื่อนคู่หูแบบโต้ตอบ และอินเทอร์เฟซการสนทนาอื่นๆ
ในภาษาและภาษาถิ่นของจีนที่รองรับ Flash สามารถให้เสียงสคริปต์การบริการลูกค้าด้วยน้ำเสียงและความเร็วที่ปรับได้ สร้างการตอบกลับความช่วยเหลือด้วยเสียงและประกาศระดับภูมิภาคสำหรับผู้ใช้ที่ชื่นชอบภาษาที่คุ้นเคยและการออกเสียงในท้องถิ่น
ปรับแต่งการแสดงของตัวละครผ่านคำสั่ง Plus ที่ช่วยชี้นำอารมณ์ บทบาท และสไตล์การพูดสำหรับบทสนทนาที่มีสคริปต์ นักพัฒนาเกมและทีมแอนิเมชันสามารถสร้างฉากที่มีเสียงพากย์ โดยทดลองใช้วิธีการถ่ายทอดเสียงเพื่อให้เข้ากับตัวละครแต่ละตัว
สำหรับเนื้อหาการเรียนรู้ที่ปรับให้เข้ากับท้องถิ่น การสังเคราะห์หลายภาษาจะแปลงบทเรียนเป็นเสียงพูดโดยสามารถควบคุมความเร็วและน้ำเสียงได้ แพลตฟอร์มการศึกษาสามารถสร้างคำอธิบายด้วยเสียงและแบบฝึกหัดการฟัง โดยปรับรูปแบบการนำเสนอให้เข้ากับกลุ่มเป้าหมายและรูปแบบบทเรียนที่แตกต่างกัน
เปรียบเทียบ Qwen Audio 3.1 TTS รุ่นก่อนหน้า 3.0 และโมเดล MiniMax Speech ในด้านการควบคุมการถ่ายทอดเสียง รูปแบบเสียง และราคามาตรฐานของ Atlas Cloud
| โมเดล | การควบคุมการถ่ายทอดเสียง | รูปแบบเสียง | ราคามาตรฐาน / 1K อักขระ |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | ระบุอารมณ์ น้ำเสียง และบุคลิกผ่านคำสั่งภาษาธรรมชาติ พร้อมปรับความเร็ว ระดับเสียง และความดังได้ | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | กำหนดอารมณ์ น้ำเสียง และบทบาทโดยตรงผ่านคำสั่ง พร้อมควบคุมความเร็ว ระดับเสียง และความดังได้อย่างละเอียด | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | กำหนดรูปแบบการถ่ายทอดอารมณ์ผ่านคำสั่ง และปรับความเร็ว ระดับเสียง และความดังได้ | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | กำหนดอารมณ์และรูปแบบการพูดผ่านคำสั่ง พร้อมปรับความเร็ว ระดับเสียง และความดังได้ | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | เลือกอารมณ์ได้ พร้อมตั้งค่าความเร็ว ระดับเสียง และความดัง | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | กำหนดอารมณ์และพารามิเตอร์เสียงพูด แทรกแท็กเสียงเสริมและช่วงเว้นจังหวะตามเวลาได้ | MP3, WAV, FLAC | $0.06 |
เริ่มต้นได้ในไม่กี่นาที — ทำตามขั้นตอนง่าย ๆ เหล่านี้เพื่อเชื่อมต่อและใช้งานโมเดลผ่านแพลตฟอร์ม Atlas Cloud
สมัครสมาชิกที่ atlascloud.ai และยืนยันตัวตน ผู้ใช้ใหม่จะได้รับเครดิตฟรีเพื่อสำรวจแพลตฟอร์มและทดสอบโมเดล
การรวมโมเดล Qwen Audio 3.1 TTS ขั้นสูงเข้ากับแพลตฟอร์มที่เร่งด้วย GPU ของ Atlas Cloud ให้ประสิทธิภาพ ความสามารถในการขยาย และประสบการณ์นักพัฒนาที่ไม่มีใครเทียบได้
เวลาแฝงต่ำ:
inference ที่ปรับแต่ง GPU เพื่อการตอบสนองแบบเรียลไทม์
API แบบรวมศูนย์:
รัน Qwen Audio 3.1 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 3.1 TTS คือตระกูลโมเดลแปลงข้อความเป็นเสียงของ Alibaba โดยมีรุ่น Plus และ Flash ให้บริการบน Atlas Cloud รุ่น Plus เน้นที่คุณภาพเสียงระดับพรีเมียม ในขณะที่รุ่น Flash มุ่งเป้าไปที่การโต้ตอบที่มีความหน่วงต่ำ พร้อมทั้งรองรับเสียงหลายภาษาและภาษาถิ่นของจีน
สร้างเสียงบรรยายสำหรับหนังสือเสียง เนื้อหาแบรนด์ การพากย์เสียง และการแสดงตัวละครด้วย Plus สำหรับผู้ช่วยเสียง แอปพลิเคชันเชิงสนทนา และการบริการลูกค้า Flash ให้ความสำคัญกับการสร้างเสียงที่ตอบสนองอย่างรวดเร็ว
สร้างคีย์ Atlas Cloud API และเลือก ID โมเดล Plus หรือ Flash จากหน้าโมเดล ส่งข้อความของคุณและเสียงที่เข้ากันได้ไปยังปลายทาง generateAudio โดยใช้การตรวจสอบสิทธิ์แบบ Bearer เก็บ ID งานที่ส่งคืนมาและทำการสำรวจ (poll) ปลายทาง prediction จนกว่าเสียงที่สร้างขึ้นจะพร้อมใช้งาน
ความครอบคลุมของภาษาขึ้นอยู่กับโมเดลและเสียงที่เลือก Flash มีเสียงพูดหลายภาษาที่รองรับภาษาญี่ปุ่น เกาหลี ฝรั่งเศส เยอรมัน โปรตุเกส อิตาลี เวียดนาม และอินโดนีเซีย พร้อมด้วยภาษาถิ่นของจีน เช่น ภาษาเซี่ยงไฮ้ ภาษากวางตุ้ง และภาษาจีนตะวันออกเฉียงเหนือ โปรดเลือกเสียงที่รองรับภาษาหรือภาษาถิ่นเป้าหมายของคุณก่อนสร้างเสียงพูด
รูปแบบเอาต์พุตเสียงที่รองรับได้แก่ MP3, PCM, WAV และ Opus นอกจากนี้ยังรองรับอินพุต SSML และ LaTeX ด้วย แม้ว่าการใช้งาน SSML จะขึ้นอยู่กับเสียงที่เลือกก็ตาม บน Atlas Cloud ให้ใช้ output_format เพื่อเลือกรูปแบบเสียง และ enable_ssml เมื่อส่ง SSML
ใช้คำสั่งภาษาธรรมชาติเพื่อกำหนดอารมณ์ น้ำเสียง บุคลิก และสไตล์การพูด Atlas Cloud ยังนำเสนอการควบคุมความเร็ว ระดับเสียง และความดังบนตำแหน่งข้อมูล Plus เพื่อการปรับแต่งการส่งมอบที่แม่นยำยิ่งขึ้น ทดสอบคำสั่งของคุณด้วยเสียงที่เลือกเพื่อตรวจสอบว่าผลลัพธ์ตรงกับประสิทธิภาพที่คุณต้องการหรือไม่
Plus รองรับการโคลนเสียงที่มีประสิทธิภาพจากเสียงอ้างอิงที่มีสัญญาณรบกวนหรือเสียงก้อง ควรประเมินผลลัพธ์ที่สังเคราะห์ขึ้นด้วยการบันทึกเสียงที่เป็นตัวแทนก่อนนำไปใช้งานในสภาพแวดล้อมจริง โดยเฉพาะอย่างยิ่งเมื่อความคล้ายคลึงของผู้พูดและการออกเสียงเป็นสิ่งสำคัญ
เลือก Plus เมื่อความเที่ยงตรงของเสียงและรายละเอียดการแสดงอารมณ์มีความสำคัญสูงสุด เช่น สำหรับเสียงของแบรนด์ หนังสือเสียง และการพากย์เสียง Flash ได้รับการออกแบบมาสำหรับแอปพลิเคชันที่ให้ความสำคัญกับความหน่วงของแพ็กเก็ตแรก (First-packet latency) ต่ำ รวมถึงผู้ช่วยด้วยเสียงและการสนทนาโต้ตอบ เปรียบเทียบทั้งสองรุ่นโดยใช้สคริปต์เดียวกันและเสียงที่เหมาะสมก่อนตัดสินใจเลือกโมเดลสำหรับการใช้งานจริง
ราคามาตรฐานของ Atlas Cloud คือ $0.03 ต่อ 1,000 อักขระอินพุตสำหรับ Plus และ $0.003 ต่อ 1,000 อักขระอินพุตสำหรับ Flash นี่คืออัตรามาตรฐานที่จัดหาให้โดยแบ็กเอนด์ของ Atlas Cloud โดยไม่รวมส่วนลดส่งเสริมการขาย
Flash ได้รับการปรับให้เหมาะสมสำหรับเวลาแฝงของแพ็กเก็ตแรกที่ระดับโมเดล เวิร์กโฟลว์การสร้างเสียงที่มีการจัดทำเอกสารไว้ของ Atlas Cloud จะส่งงานแบบอะซิงโครนัสและดึงผลลัพธ์ที่เสร็จสมบูรณ์โดยการโพลลิ่งรหัสงาน โปรดวัดเวลาตั้งแต่การส่งจนถึงการเล่นในแอปพลิเคชันของคุณ แทนที่จะถือว่าเวลาแฝงของโมเดลเป็นการรับประกันการส่งมอบแบบสตรีมมิ่ง
คู่มือ บทแนะนำ และอัปเดตผลิตภัณฑ์ ที่ช่วยให้คุณใช้ Atlas Cloud ได้อย่างเต็มประสิทธิภาพ