

Qwen Audio 3.1 TTS mang dòng sản phẩm tổng hợp giọng nói của Alibaba đến với các nhà phát triển. Flash cung cấp giọng nói đa ngôn ngữ và các phương ngôn tiếng Trung, bao gồm tiếng Thượng Hải và tiếng Quảng Đông, cho các ứng dụng tương tác. Plus hỗ trợ nhân bản giọng nói từ âm thanh tham chiếu có nhiều tiếng ồn cho các công việc liên quan đến giọng nói cao cấp. Atlas Cloud niêm yết mức giá tiêu chuẩn cho mỗi 1.000 ký tự là 0,003 đô la cho Flash và 0,03 đô la cho Plus. Bắt đầu xây dựng ngay hôm nay.
Qwen Audio 3.1 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 tổng hợp giọng nói có độ trễ thấp cho tương tác trực tiếp hoặc tạo giọng nói cao cấp với khả năng nhân bản giọng nói mạnh mẽ.
| Phương thức | Mô tả |
|---|---|
| Qwen Audio 3.1 TTS Flash (Chuyển văn bản thành giọng nói) | Chuyển văn bản thành giọng nói bằng các giọng hệ thống hỗ trợ nhiều ngôn ngữ và phương ngữ tiếng Trung. Dùng chỉ dẫn để điều chỉnh cảm xúc, sắc thái, vai diễn, tốc độ và âm lượng. Được tối ưu để giảm độ trễ trước khi phát âm thanh, Flash phù hợp với trợ lý giọng nói, hội thoại trực tiếp và hỗ trợ khách hàng tương tác. |
| Qwen Audio 3.1 TTS Plus (Chuyển văn bản thành giọng nói) | Dành cho sản xuất giọng nói cao cấp, Plus chuyển văn bản thành giọng nói đa ngôn ngữ hoặc theo phương ngữ, đồng thời hỗ trợ nhân bản giọng nói hiệu quả từ âm thanh tham chiếu có nhiễu. Dùng chỉ dẫn để điều chỉnh cảm xúc, sắc thái, vai diễn, tốc độ và âm lượng, phù hợp với lời thuyết minh mang dấu ấn thương hiệu, sách nói và phần thể hiện nhân vật. |
Từ tổng hợp tiếng nói tập trung vào độ trễ của Flash đến sản xuất giọng nói cao cấp của Plus, Qwen Audio 3.1 TTS kết hợp phân phối đa ngôn ngữ, phương ngữ tiếng Trung, điều khiển biểu cảm và quyền truy cập API thống nhất của Atlas Cloud.
Flash là bậc có độ trễ thấp của Qwen Audio 3.1 TTS, được tối ưu hóa cho phản hồi gói đầu tiên trong các tương tác thời gian thực. Tính năng tổng hợp giọng nói của nó kết hợp giọng nói đa ngôn ngữ với các hướng dẫn về cảm xúc, giọng điệu, vai trò, tốc độ và âm lượng. Hãy mô tả cách truyền đạt mà ứng dụng của bạn cần trong khi cung cấp văn bản cần đọc. Bậc này phù hợp cho các trợ lý giọng nói, sản phẩm đàm thoại và trải nghiệm dịch vụ khách hàng nơi khả năng phản hồi giọng nói đóng vai trò quan trọng.
Plus mang đến khả năng tổng hợp giọng nói cao cấp và nhân bản giọng nói mạnh mẽ cho Qwen Audio 3.1 TTS, với bốn giọng nói hệ thống có sẵn trong lược đồ tham số của Atlas Cloud. Mô hình được thiết kế để duy trì độ rõ nét khi các bản ghi âm tham chiếu chứa tiếng ồn hoặc âm vang. Các hướng dẫn bằng ngôn ngữ tự nhiên sẽ định hình cảm xúc, giọng điệu và tính cách thu được. Chọn Plus cho tường thuật thương hiệu, sản xuất sách nói, lồng tiếng phim và biểu diễn nhân vật đầy tính biểu cảm.
Giọng nói đa ngôn ngữ và các phương ngữ tiếng Trung là cốt lõi của dòng sản phẩm này, với tiếng Trung, tiếng Anh, tiếng Nhật và tiếng Hàn nằm trong số các ngôn ngữ được hỗ trợ. Phạm vi phương ngữ của Flash bao gồm tiếng Thượng Hải, tiếng Quảng Đông, tiếng Đông Bắc và tiếng Tứ Xuyên. Hãy chọn một giọng nói phù hợp với ngôn ngữ hoặc phương ngữ bạn cần, sau đó hướng dẫn cách diễn đạt thông qua các chỉ thị. Lồng tiếng bản địa hóa và trải nghiệm giọng nói theo vùng miền có thể phản ánh chính xác cách khán giả thực sự trò chuyện.
Điều hướng màn trình diễn bằng các hướng dẫn ngôn ngữ tự nhiên về cảm xúc, giọng điệu, vai trò và phong cách nói. Trên Plus, tốc độ và cao độ đều có phạm vi từ 0,5 đến 2,0, trong khi âm lượng chạy từ 0 đến 100. Kết hợp các công cụ kiểm soát này với kịch bản của bạn để điều chỉnh nhịp độ, âm vực và mức đầu ra. Sự kiểm soát như vậy giúp điều chỉnh một đoạn văn bản cho phù hợp với cách kể chuyện bình tĩnh, các chương trình khuyến mãi tràn đầy năng lượng hoặc đoạn hội thoại của nhân vật.
Bốn định dạng đầu ra trên Plus bao gồm MP3, PCM, WAV và Opus, với tốc độ lấy mẫu có thể chọn từ 8.000 đến 48.000 Hz. Hãy chọn định dạng và tốc độ phù hợp với quy trình xử lý âm thanh của bạn. Kích hoạt SSML khi đầu vào của bạn sử dụng đánh dấu (markup) được hỗ trợ hoặc LaTeX. Những tùy chọn này giúp các nhà phát triển chuẩn bị giọng nói tổng hợp để phát lại, chỉnh sửa và nội dung giáo dục mà không phải phụ thuộc vào một định dạng phân phối duy nhất.
Atlas Cloud cung cấp quyền truy cập API thống nhất và tính phí dựa trên ký tự cho cả hai cấp độ, với mức giá tiêu chuẩn là 0,003 đô la cho mỗi 1.000 ký tự đối với Flash và 0,03 đô la đối với Plus. Đối với việc tạo bằng Plus, hãy gửi một yêu cầu không đồng bộ và thăm dò (poll) prediction ID của nó cho đến khi âm thanh sẵn sàng. Các kết quả đã hoàn thành chứa các URL âm thanh. Quy trình làm việc này giúp cho việc tạo giọng nói trở nên thiết thực để tích hợp vào các ứng dụng và hàng đợi sản xuất.
So sánh Qwen Audio 3.1 TTS với một mô hình giọng nói khác và phiên bản tiền nhiệm của nó bằng cách sử dụng các kịch bản giống hệt nhau, chuyển từ kể chuyện gần gũi sang bình luận thể thao trực tiếp.
Tôi đã giữ chỗ của người bên cửa sổ. Mỗi đêm, tôi đều mong người có thể sẽ trở về nhà. Khoan đã... có thật là người không? Người ở đây rồi! Mời vào, tình yêu của tôi. Ấm nước vẫn còn ấm, chỉ dành riêng cho người.
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
Một khúc cua cuối cùng, và cô ấy vẫn đang ở phía sau. Hãy nghe đám đông đó... cô ấy tìm thấy một khoảng trống, vươn lên dẫn đầu và chiến thắng! Thật là một cái kết tuyệt vời! Hít thở đi, nhà vô địch. Mỗi buổi sáng thức dậy sớm đã đưa bạn đến khoảnh khắc này.
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
Từ các chiến dịch thương hiệu và sách nói cho đến đoạn hội thoại của nhân vật, trợ lý giọng nói, hỗ trợ theo khu vực và các bài học được bản địa hóa, Qwen Audio 3.1 TTS mang đến khả năng điều khiển giọng nói cho việc sản xuất nội dung và các ứng dụng tương tác.
Plus chuyển đổi kịch bản chiến dịch thành giọng đọc cao cấp với các hướng dẫn về cảm xúc, giọng điệu và cách diễn đạt. Tạo lời tường thuật ra mắt sản phẩm, âm thanh quảng cáo và thông điệp thương hiệu với phong cách nói được điều chỉnh cho từng chiến dịch.
Thổi hồn vào những câu chuyện thông qua tính năng tường thuật Plus với khả năng kiểm soát cảm xúc, tốc độ nói và âm lượng. Các nhà xuất bản và ứng dụng sách nói có thể chuyển đổi kịch bản chương thành âm thanh giàu cảm xúc, điều chỉnh cách truyền đạt cho các đoạn hội thoại và phần mô tả.
Khi các ứng dụng cần phản hồi bằng giọng nói, Flash cung cấp khả năng tổng hợp giọng nói được tinh chỉnh để có độ trễ gói tin đầu tiên thấp. Hãy sử dụng nó làm lớp đầu ra giọng nói cho các trợ lý đàm thoại, người bạn đồng hành tương tác và các giao diện đối thoại khác.
Trong các ngôn ngữ và phương ngữ tiếng Trung được hỗ trợ, Flash chuyển đổi các kịch bản dịch vụ khách hàng thành giọng nói với tông giọng và tốc độ có thể điều chỉnh. Xây dựng các phản hồi trợ giúp bằng giọng nói và thông báo khu vực cho những người dùng thích ngôn ngữ quen thuộc và cách phát âm địa phương.
Định hình màn trình diễn của nhân vật thông qua các hướng dẫn Plus giúp dẫn dắt cảm xúc, vai trò và phong cách nói cho cuộc đối thoại theo kịch bản. Các nhà phát triển trò chơi và nhóm hoạt hình có thể sản xuất các cảnh lồng tiếng, thử nghiệm cách truyền đạt để phù hợp với từng nhân vật.
Đối với nội dung học tập được bản địa hóa, tính năng tổng hợp đa ngôn ngữ sẽ chuyển đổi kịch bản bài học thành giọng nói với tốc độ và âm điệu có thể kiểm soát được. Các nền tảng giáo dục có thể tạo ra các bài giải thích bằng giọng nói và bài tập luyện nghe, điều chỉnh cách truyền đạt để phù hợp với các đối tượng và định dạng bài học khác nhau.
So sánh Qwen Audio 3.1 TTS, các phiên bản tiền nhiệm 3.0 và các mô hình MiniMax Speech về khả năng điều chỉnh cách đọc, định dạng âm thanh và giá tiêu chuẩn trên Atlas Cloud.
| Mô hình | Điều chỉnh cách đọc | Định dạng âm thanh | Giá tiêu chuẩn / 1K ký tự |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | Dùng hướng dẫn bằng ngôn ngữ tự nhiên để điều chỉnh cảm xúc, tông giọng và phong cách nhân vật; tùy chỉnh tốc độ, cao độ và âm lượng | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | Điều chỉnh trực tiếp cảm xúc, tông giọng và vai diễn thông qua hướng dẫn; tinh chỉnh tốc độ, cao độ và âm lượng | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | Định hình cách đọc giàu biểu cảm bằng hướng dẫn và điều chỉnh tốc độ, cao độ, âm lượng | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | Điều chỉnh cảm xúc và phong cách nói bằng hướng dẫn, cùng các tùy chọn về tốc độ, cao độ và âm lượng | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | Chọn cảm xúc và điều chỉnh tốc độ, cao độ, âm lượng | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | Thiết lập cảm xúc và thông số giọng nói; chèn thẻ tiếng đệm và khoảng nghỉ theo thời gian | 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 3.1 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 3.1 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 3.1 TTS là dòng mô hình chuyển văn bản thành giọng nói của Alibaba, với các biến thể Plus và Flash hiện có trên Atlas Cloud. Plus tập trung vào chất lượng giọng nói cao cấp, trong khi Flash hướng tới tương tác có độ trễ thấp với giọng nói đa ngôn ngữ và hỗ trợ phương ngữ tiếng Trung.
Tạo giọng đọc cho sách nói, nội dung thương hiệu, lồng tiếng và diễn xuất nhân vật với Plus. Đối với trợ lý giọng nói, ứng dụng hội thoại và dịch vụ khách hàng, Flash ưu tiên việc tạo giọng nói phản hồi nhanh.
Tạo khóa API Atlas Cloud và chọn ID mô hình Plus hoặc Flash từ trang mô hình của nó. Gửi văn bản của bạn và giọng nói tương thích đến endpoint generateAudio bằng cách sử dụng xác thực Bearer. Giữ lại ID tác vụ được trả về và thăm dò (poll) endpoint prediction cho đến khi âm thanh được tạo sẵn sàng.
Phạm vi ngôn ngữ được hỗ trợ phụ thuộc vào mô hình và giọng nói được chọn. Flash bao gồm các giọng nói đa ngôn ngữ hỗ trợ tiếng Nhật, tiếng Hàn, tiếng Pháp, tiếng Đức, tiếng Bồ Đào Nha, tiếng Ý, tiếng Việt và tiếng Indonesia, cùng với các phương ngữ tiếng Trung như tiếng Thượng Hải, tiếng Quảng Đông và tiếng Đông Bắc. Hãy chọn giọng nói hỗ trợ ngôn ngữ hoặc phương ngữ mục tiêu của bạn trước khi tạo giọng nói.
Các định dạng đầu ra âm thanh được hỗ trợ bao gồm MP3, PCM, WAV và Opus. Đầu vào SSML và LaTeX cũng được hỗ trợ, mặc dù tính khả dụng của SSML phụ thuộc vào giọng nói được chọn. Trên Atlas Cloud, hãy sử dụng output_format để chọn định dạng âm thanh và enable_ssml khi gửi SSML.
Sử dụng các hướng dẫn bằng ngôn ngữ tự nhiên để định hướng cảm xúc, giọng điệu, tính cách và phong cách nói. Atlas Cloud cũng cung cấp các nút điều khiển tốc độ, cao độ và âm lượng trên endpoint Plus để điều chỉnh đầu ra chính xác hơn. Kiểm tra các hướng dẫn của bạn với giọng nói đã chọn để xác nhận rằng kết quả khớp với hiệu suất mong muốn của bạn.
Plus hỗ trợ sao chép giọng nói mạnh mẽ từ âm thanh tham chiếu có chứa tiếng ồn hoặc tiếng vang. Hãy đánh giá kết quả tổng hợp bằng các bản ghi âm tiêu biểu trước khi đưa vào môi trường sản xuất, đặc biệt là khi độ tương đồng của người nói và cách phát âm đóng vai trò quan trọng.
Chọn Plus khi độ trung thực của âm thanh và chi tiết biểu cảm là quan trọng nhất, chẳng hạn như đối với giọng nói thương hiệu, sách nói và lồng tiếng. Flash được thiết kế cho các ứng dụng ưu tiên độ trễ gói đầu tiên (first-packet latency) thấp, bao gồm trợ lý giọng nói và hội thoại tương tác. Hãy so sánh cả hai bằng cách sử dụng cùng một kịch bản và giọng nói phù hợp trước khi chọn mô hình sản xuất.
Giá tiêu chuẩn của Atlas Cloud là 0,03 đô la cho mỗi 1.000 ký tự đầu vào đối với Plus và 0,003 đô la cho mỗi 1.000 ký tự đầu vào đối với Flash. Đây là mức giá tiêu chuẩn được cung cấp bởi backend của Atlas Cloud, không bao gồm các khoản chiết khấu khuyến mãi.
Flash được tối ưu hóa cho độ trễ của gói dữ liệu đầu tiên ở cấp độ mô hình. Quy trình tạo âm thanh được ghi chép trong tài liệu của Atlas Cloud sẽ gửi một tác vụ không đồng bộ và truy xuất kết quả hoàn chỉnh bằng cách thăm dò ID tác vụ của nó. Hãy đo lường thời gian từ lúc gửi đến lúc phát trong ứng dụng của bạn thay vì coi độ trễ của mô hình là sự đảm bảo cho việc phân phối phát trực tuyến.
Hướng dẫn, bài hướng dẫn và cập nhật sản phẩm giúp bạn khai thác tối đa Atlas Cloud.