

Dòng sản phẩm Qwen Audio 3.0 TTS của Alibaba phục vụ các ứng dụng xã hội, đồng hành và thời gian thực. Hướng dẫn cách truyền đạt giọng nói và âm lượng của Plus bằng các lệnh ngôn ngữ tự nhiên, hoặc sử dụng Flash cho đối thoại trực tiếp và dịch vụ khách hàng. Atlas Cloud cung cấp mức giá tiêu chuẩn là 0,02 đô la cho mỗi 1.000 ký tự đầu vào đối với Plus và 0,015 đô la đối với Flash, giúp bạn ước tính chi phí cho từng khối lượng công việc. Hãy bắt đầu xây dựng ngay hôm nay.
Qwen Audio 3.0 TTS do Alibaba phát triển. Atlas Cloud (vận hành bởi Atlas Cloud AI LLC) cung cấp quyền truy cập vào mô hình này và không sở hữu mô hình. Mọi thương hiệu đều thuộc về chủ sở hữu tương ứng.
Atlas Cloud cung cấp cho bạn các mô hình sáng tạo tiên tiến nhất trong ngành.
Chọn giọng nói biểu cảm hàng đầu cho trải nghiệm đồng hành hoặc giọng nói có độ trễ thấp để tương tác theo thời gian thực.
| Phương thức | Mô tả |
|---|---|
| Qwen Audio 3.0 TTS Flash API (Text to Speech) | Chuyển văn bản thành giọng nói với khả năng tổng hợp độ trễ thấp, hỗ trợ nhiều ngôn ngữ và bao quát các phương ngữ tiếng Trung. Hướng dẫn linh hoạt giúp định hình cách thể hiện giọng nói cho trợ lý giọng nói, hội thoại trực tiếp và dịch vụ khách hàng. Giá tiêu chuẩn là $0.015 cho mỗi 1.000 ký tự đầu vào. |
| Qwen Audio 3.0 TTS Plus API (Text to Speech) | Dành cho các ứng dụng mạng xã hội và đồng hành, endpoint hàng đầu này chuyển văn bản thành giọng nói tự nhiên, biểu cảm bằng giọng hệ thống. Điều chỉnh cảm xúc, ngữ điệu, vai trò, tốc độ và âm lượng bằng các hướng dẫn linh hoạt để định hình từng tương tác. Giá tiêu chuẩn là $0.02 cho mỗi 1.000 ký tự đầu vào. |
Chọn Qwen Audio 3.0 TTS Flash hoặc Plus cho các nhu cầu đàm thoại riêng biệt, với danh mục giọng nói phong phú, tổng hợp đa ngôn ngữ, cách phát âm có thể điều chỉnh, đầu vào văn bản có cấu trúc và đầu ra âm thanh linh hoạt thông qua Atlas Cloud.
Qwen Audio 3.0 TTS cung cấp Flash cho tương tác có độ trễ thấp và Plus cho giọng nói đồng hành tự nhiên, truyền cảm. Mức giá tiêu chuẩn của Atlas Cloud là 0,015 đô la cho mỗi 1.000 ký tự đầu vào đối với Flash và 0,02 đô la đối với Plus. Hãy chọn mô hình phù hợp với các ưu tiên trò chuyện của sản phẩm của bạn, với tính năng thanh toán theo mức sử dụng. Điều này cung cấp cho các trợ lý giọng nói, công cụ dịch vụ khách hàng và ứng dụng xã hội hai tùy chọn tổng hợp với mức giá rõ ràng.
Mỗi mô hình 3.0 cung cấp một danh mục gồm 597 giọng nói cơ bản được nhân bản với các mẫu xem trước cùng nhãn giới tính và ngôn ngữ. Duyệt qua các giọng nói có sẵn, nghe các mẫu và truyền ID giọng nói của mô hình đã chọn cùng với văn bản của bạn. ID giọng nói dành riêng cho từng mô hình. Điều này giúp việc thử vai cho người kể chuyện hoặc nhân vật đồng hành trở nên dễ dàng hơn trước khi bạn tích hợp giọng nói vào ứng dụng của mình.
Đối với giọng nói đa ngôn ngữ, cả hai mô hình đều chấp nhận một gợi ý ngôn ngữ cho mỗi yêu cầu, với 10 mã được hỗ trợ bao gồm tiếng Trung, tiếng Anh, tiếng Nhật, tiếng Hàn, tiếng Pháp, tiếng Đức, tiếng Bồ Đào Nha, tiếng Ý, tiếng Việt và tiếng Indonesia. Thiết lập language_hints cho ngôn ngữ dự định và chọn một giọng nói tương thích. Flash cũng hỗ trợ tổng hợp phương ngữ tiếng Trung. Các nhà phát triển có thể sử dụng các chức năng điều khiển này để điều chỉnh trải nghiệm giọng nói cho khán giả quốc tế và cộng đồng người Hoa trong khu vực.
Hãy cho mô hình biết cảm xúc của một câu thoại thông qua các hướng dẫn bằng ngôn ngữ tự nhiên về cảm xúc, giọng điệu, đặc điểm nhân vật và cách diễn đạt. Cả hai mô hình cũng cung cấp các hệ số nhân về tốc độ và cao độ từ 0,5 đến 2,0 cùng âm lượng từ 0 đến 100. Kết hợp lệnh hướng dẫn phong cách với các công cụ kiểm soát thông số này để tinh chỉnh cùng một kịch bản. Các đoạn hội thoại giàu sức biểu cảm và trải nghiệm đồng hành sẽ đạt hiệu quả tốt hơn nhờ cách diễn đạt được điều chỉnh phù hợp với từng thời điểm.
Khi một kịch bản cần những khoảng dừng có chủ ý hoặc toán học bằng lời nói, cả hai mô hình đều hỗ trợ đầu vào SSML và LaTeX khi bật enable_ssml. Gửi văn bản đã chuẩn bị thông qua cùng một yêu cầu tổng hợp thay vì coi mọi đoạn văn là văn bản thông thường. SSML cung cấp một cách để đánh dấu các khoảng dừng, trong khi LaTeX đại diện cho các công thức bằng giọng nói. Các tùy chọn đầu vào này phù hợp cho tường thuật giáo dục và các kịch bản đòi hỏi cách đọc từ tốn hơn.
Việc phân phối âm thanh hỗ trợ bốn định dạng: MP3, PCM, WAV và Opus, với bảy tùy chọn tốc độ lấy mẫu từ 8.000 đến 48.000 Hz. Hãy chọn output_format và sample_rate trong yêu cầu của bạn; bit_rate chỉ áp dụng cho Opus. Atlas Cloud sử dụng tính năng gửi không đồng bộ và thăm dò ID tác vụ để truy xuất các URL âm thanh được tạo. Quy trình làm việc này cho phép các nhóm chuẩn bị các tệp giọng nói cho các yêu cầu phát lại và sản xuất khác nhau thông qua một API duy nhất.
So sánh Qwen Audio 3.0 TTS với phiên bản kế nhiệm hàng đầu của nó và một giải pháp thay thế từ ElevenLabs bằng cách sử dụng các kịch bản giống hệt nhau nhằm gợi ra những khoảng dừng tinh tế, sự chuyển biến cảm xúc và những cái kết ấm áp.
Suỵt... Tôi cứ ngỡ chúng tôi đã mất bạn. Đợi đã, ánh sáng đó... bạn đã tìm thấy đường về nhà rồi! Lại đây. Giờ bạn đã an toàn, và đêm nay, sẽ không ai phải đối mặt với bóng tối một mình.
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
Hãy lắng nghe... chỉ là một tiếng giòn tan. Bây giờ, miếng đầu tiên: lớp vỏ giòn rụm, bơ ấm nóng, niềm vui thuần khiết! Ồ, thật ngon tuyệt. Hãy kéo ghế ngồi xuống. Bàn của chúng tôi luôn có chỗ dành cho bạn.
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
Kết hợp giọng Plus giàu biểu cảm với khả năng tổng hợp Flash ưu tiên độ trễ thấp trong Qwen Audio 3.0 TTS để xây dựng hội thoại cho người bạn đồng hành, trợ lý giọng nói, hỗ trợ bản địa hóa, thuyết minh truyện, lồng tiếng thương hiệu và bài học bằng giọng nói.
Tạo cho những người bạn đồng hành ảo giọng nói giàu biểu cảm với Plus, dùng chỉ dẫn để định hình cảm xúc, sắc thái và vai trò. Tạo lời chào thân tình, màn đối đáp vui nhộn hoặc câu trả lời trấn an cho ứng dụng mạng xã hội và trải nghiệm nhân vật tương tác.
Khi trợ lý cần trả lời bằng giọng nói, Flash cung cấp khả năng tổng hợp tiếng nói được tối ưu cho độ trễ thấp và hội thoại trực tiếp. Dùng Flash làm lớp đầu ra giọng nói cho các giao diện hội thoại chuyển văn bản được tạo ra thành lời nói.
Flash hỗ trợ nhiều ngôn ngữ và phương ngữ tiếng Trung, đưa giọng nói bản địa hóa vào quy trình chăm sóc khách hàng. Chuyển các câu trả lời hỗ trợ bằng văn bản thành hướng dẫn bằng giọng nói, phù hợp với từng khu vực và đối tượng mà ứng dụng của bạn phục vụ.
Với Plus, chỉ dẫn định hình cảm xúc và sắc thái của người kể chuyện, còn các tùy chọn điều khiển giọng nói giúp điều chỉnh nhịp độ và âm lượng. Tạo các đoạn truyện và lời thoại nhân vật bằng giọng nói cho dự án sách nói, ứng dụng kể chuyện và nội dung âm thanh nhiều kỳ.
Với Plus, kịch bản sản phẩm trở thành lời lồng tiếng giàu biểu cảm; chỉ dẫn xác định phong cách truyền tải và cá tính giọng đọc. Tạo phần giới thiệu sản phẩm, clip quảng bá và hướng dẫn sử dụng ứng dụng bằng giọng nói theo định hướng thể hiện bản sắc thương hiệu.
Trong các ứng dụng học tập, Plus chuyển văn bản hướng dẫn thành lời nói giàu biểu cảm, với tốc độ và âm lượng có thể điều chỉnh. Nhà giáo dục có thể tạo ví dụ thuyết minh, phần mở đầu bài học và tài liệu ôn tập bằng giọng nói, với cách truyền đạt phù hợp với nội dung giảng dạy.
So sánh Qwen Audio 3.0 TTS với các biến thể 3.1 và mô hình MiniMax Speech dựa trên trọng tâm ứng dụng, điều khiển giọng nói, định dạng âm thanh và bảng giá Atlas Cloud tiêu chuẩn.
| Mô hình | Trọng tâm ứng dụng | Điều khiển giọng nói | Định dạng âm thanh | Giá tiêu chuẩn / 1K ký tự |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | Giọng đọc giàu cảm xúc cho mạng xã hội và ứng dụng đồng hành | Mô tả cảm xúc, ngữ điệu và vai trò bằng chỉ dẫn; điều chỉnh tốc độ, cao độ và âm lượng | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Tổng hợp độ trễ thấp cho trợ lý, hội thoại trực tiếp và dịch vụ khách hàng | Điều chỉnh tốc độ, cao độ và âm lượng, kết hợp với chỉ dẫn về cảm xúc và phong cách nói | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | Giọng thương hiệu, sách nói, lồng tiếng và diễn xuất nhân vật | Dùng chỉ dẫn để định hướng cách thể hiện cảm xúc và vai diễn; tinh chỉnh tốc độ, cao độ và âm lượng | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Giọng nói đa ngôn ngữ và phương ngữ cho các ứng dụng tương tác | Kết hợp chỉ dẫn bằng ngôn ngữ tự nhiên với thẻ biểu cảm và các thông số giọng nói có thể điều chỉnh | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | Tạo giọng nói chú trọng sự tự nhiên và khả năng biểu cảm | Chọn giọng đọc và điều chỉnh tốc độ, cao độ cùng âm lượng | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Tạo giọng nói nhanh với các giọng đọc tùy chọn và thẻ chèn từ đệm | Dùng thiết lập sẵn về cảm xúc và chèn từ đệm trực tiếp; điều chỉnh tốc độ, cao độ và âm lượng | MP3, WAV, FLAC | $0.06 |
Bắt đầu trong vài phút — làm theo các bước đơn giản sau để tích hợp và triển khai mô hình qua nền tảng Atlas Cloud.
Đăng ký tại atlascloud.ai và hoàn tất xác minh. Người dùng mới nhận được tín dụng miễn phí để khám phá nền tảng và thử nghiệm mô hình.
Sự kết hợp của các mô hình tiên tiến của Qwen Audio 3.0 TTS với nền tảng được tăng tốc GPU của Atlas Cloud mang lại hiệu suất, khả năng mở rộng và trải nghiệm nhà phát triển độc đáo.
Độ Trễ Thấp:
Suy luận được tối ưu hóa GPU cho suy luận thời gian thực.
API Thống nhất:
Chạy Qwen Audio 3.0 TTS, GPT, Gemini và DeepSeek với một tích hợp duy nhất.
Giá cả Minh bạch:
Thanh toán dựa trên token có thể dự đoán với tùy chọn serverless.
Trải nghiệm Nhà phát triển:
SDK, phân tích, công cụ tinh chỉnh và mẫu.
Độ tin cậy:
99,99% khả dụng, RBAC và ghi nhật ký sẵn sàng cho tuân thủ.
Bảo mật và Tuân thủ:
SOC 2 Type II, tuân thủ HIPAA, chủ quyền dữ liệu tại Hoa Kỳ.
Qwen Audio 3.0 TTS là dòng mô hình chuyển văn bản thành giọng nói của Alibaba, có các phiên bản Plus và Flash trên Atlas Cloud. Mô hình chuyển văn bản thành lời nói, đồng thời cho phép dùng hướng dẫn bằng ngôn ngữ tự nhiên để điều khiển cảm xúc, ngữ điệu, nhân vật và cách thể hiện.
Tạo trải nghiệm bằng giọng nói cho bạn đồng hành trên mạng xã hội, trợ lý giọng nói, hội thoại tương tác và dịch vụ hỗ trợ khách hàng. Cách thể hiện giàu cảm xúc khiến Plus phù hợp với các tương tác đồng hành, trong khi Flash được tối ưu cho những ứng dụng ưu tiên khả năng tạo giọng nói có độ trễ thấp.
Tạo khóa API Atlas Cloud, sau đó gửi yêu cầu POST có xác thực đến https://api.atlascloud.ai/api/v1/model/generateAudio cùng model, text và voice. Dùng alibaba/qwen-audio-3.0-tts-plus/text-to-speech hoặc alibaba/qwen-audio-3.0-tts-flash/text-to-speech làm ID mô hình. Gửi yêu cầu thăm dò đến https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id} bằng ID tác vụ được trả về cho đến khi quá trình tạo hoàn tất, sau đó lấy URL âm thanh từ outputs.
Giá tiêu chuẩn trên Atlas Cloud là $0.02 cho mỗi 1,000 ký tự đầu vào với Plus và $0.015 cho mỗi 1,000 ký tự đầu vào với Flash. Cả hai phiên bản đều tính phí theo ký tự, theo mức sử dụng.
Mỗi phiên bản có 597 giọng cơ bản, kèm nhãn ngôn ngữ, giới tính và mẫu nghe thử trên trang mô hình Atlas Cloud. Các mô hình hỗ trợ giọng nói đa ngôn ngữ và các phương ngữ tiếng Trung; gợi ý ngôn ngữ bao gồm tiếng Trung, tiếng Anh, tiếng Nhật và tiếng Hàn. Hãy nghe thử giọng bằng ngôn ngữ hoặc phương ngữ mục tiêu trước khi chọn dùng trong môi trường thực tế.
Mô tả cảm xúc, ngữ điệu hoặc nhân vật mong muốn trong tham số instruction, rồi điều chỉnh tốc độ, cao độ và âm lượng qua các tham số riêng. Với đầu vào văn bản có cấu trúc, bật enable_ssml để hỗ trợ SSML và LaTeX, giúp kiểm soát thêm cách kết xuất giọng nói.
Chọn MP3, PCM, WAV hoặc Opus qua output_format; định dạng mặc định là MP3. Cả hai mô hình đều có tham số sample_rate, còn bit_rate chỉ áp dụng cho đầu ra Opus.
Chọn Plus khi cách thể hiện tự nhiên, giàu cảm xúc là yếu tố cốt lõi của trải nghiệm mạng xã hội hoặc bạn đồng hành. Nếu ứng dụng ưu tiên tương tác có độ trễ thấp và chi phí theo ký tự thấp hơn, Flash là lựa chọn phù hợp để bắt đầu. Hãy so sánh cả hai bằng cùng một kịch bản và phong cách nói mong muốn trước khi quyết định.
Tích hợp Atlas Cloud được tài liệu hướng dẫn sử dụng cơ chế gửi yêu cầu bất đồng bộ và thăm dò trạng thái, sau đó trả về URL âm thanh khi tác vụ hoàn tất. Khi thiết kế phát lại, hãy xem endpoint này là quy trình dựa trên tác vụ; nếu ứng dụng cần nhận từng đoạn âm thanh trong lúc tạo, hãy xác nhận riêng khả năng truyền phát.
ID giọng nói thuộc mô hình khác có thể gây lỗi InvalidParameter, vì vậy hãy chọn giọng từ danh mục tương ứng với phiên bản đã chọn. Khi chuyển giữa Plus và Flash, hãy cập nhật cả model lẫn voice thay vì dùng lại ID giọng nói trước đó.
Hướng dẫn, bài hướng dẫn và cập nhật sản phẩm giúp bạn khai thác tối đa Atlas Cloud.