

阿里巴巴的 Qwen Audio 3.0 TTS 系列适用于社交、陪伴和实时应用程序。通过自然语言指令引导 Plus 的语音表达和音量,或使用 Flash 进行实时对话和客户服务。Atlas Cloud 为 Plus 提供每 1,000 个输入字符 0.02 美元的标准定价,为 Flash 提供 0.015 美元的标准定价,帮助您估算每个工作负载的成本。今天就开始构建吧。
Qwen Audio 3.0 TTS 由 Alibaba 开发。Atlas Cloud(由 Atlas Cloud AI LLC 运营)仅提供接入服务,并不拥有该模型。所有商标均归其各自所有者所有。
Atlas Cloud 为您提供最新的行业领先创意模型。
为陪伴式体验选择表现力出众的旗舰音色,或为实时交互选择低延迟语音。
| 模态 | 描述 |
|---|---|
| Qwen Audio 3.0 TTS Flash API(文本转语音) | 以低延迟合成、广泛的语言支持和丰富的中文方言覆盖,将文本转换为语音。灵活的指令可引导语音表现,适用于语音助手、实时对话和客户服务。标准价格为每 1,000 个输入字符 $0.015。 |
| Qwen Audio 3.0 TTS Plus API(文本转语音) | 面向社交和陪伴类应用,这款旗舰端点使用系统音色将文本转换为自然且富有表现力的语音。通过灵活的指令控制情绪、语气、角色、语速和音量,为每次交互定制表达效果。标准价格为每 1,000 个输入字符 $0.02。 |
针对不同的对话需求选择 Qwen Audio 3.0 TTS Flash 或 Plus,通过 Atlas Cloud 提供丰富的语音库、多语言合成、可调节的语音表达、结构化文本输入以及灵活的音频输出。
Qwen Audio 3.0 TTS 提供用于低延迟交互的 Flash 模型,以及用于自然、富有表现力的陪伴式语音的 Plus 模型。标准的 Atlas Cloud 费率为:Flash 每 1,000 个输入字符 0.015 美元,Plus 为 0.02 美元。请结合按量计费模式,选择符合您产品对话优先级的模型。这为语音助手、客户服务工具和社交应用提供了两个明确定价的语音合成选项。
每个 3.0 模型都提供了一个包含 597 种声音克隆基础语音的目录,并配有预览样本以及性别和语言标签。浏览可用语音,试听样本,并将所选模型的语音 ID 与您的文本一起传递。语音 ID 特定于其所属模型。这使得在将语音集成到您的应用程序之前,为解说员或伴侣角色选角变得更加容易。
对于多语言语音,两个模型在每个请求中均接受一个语言提示,支持10种代码,涵盖中文、英文、日文、韩文、法文、德文、葡萄牙文、意大利文、越南文和印尼文。请为目标语言设置 language_hints,并选择兼容的语音。Flash 还支持中文方言合成。开发者可以使用这些控制选项,为国际受众和区域性华人社区定制语音体验。
通过自然语言的情感、语气、人设和发音方式指令,告知模型一句台词应传达的感受。这两款模型还开放了 0.5 到 2.0 的语速和音调倍数调节,以及 0 到 100 的音量调节。将风格指令与这些数值控制相结合,可以对同一脚本进行精细调整。富有表现力的对话和陪伴体验将得益于这种契合当下情境的定制化表达。
当脚本需要刻意的停顿或朗读数学公式时,在启用 enable_ssml 的情况下,两种模型均支持 SSML 和 LaTeX 输入。请通过同一个合成请求提交准备好的文本,而不是将所有段落都视为普通文本。SSML 提供了一种标记停顿的方法,而 LaTeX 则用于表示语音公式。这些输入选项非常适合教育类解说以及需要更精细朗读的脚本。
音频交付支持四种格式:MP3、PCM、WAV和Opus,并提供从8,000到48,000 Hz的七种采样率选项。请在请求中选择output_format和sample_rate;bit_rate仅适用于Opus。Atlas Cloud使用异步提交和任务ID轮询来获取生成的音频URL。这一工作流程使团队能够通过一个API为不同的播放和制作需求准备语音文件。
将 Qwen Audio 3.0 TTS 与其旗舰级后续产品及 ElevenLabs 的替代方案进行对比,使用完全相同的脚本,以呈现微妙的停顿、情感的转换和温暖的收尾。
嘘……我以为我们失去你了。等等,那道光……你找到了回家的路!过来吧。你现在很安全,今晚,没有人需要独自面对黑暗。
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
听……那清脆的声响。现在,尝第一口:酥脆的外皮,温暖的黄油,纯粹的享受!哦,真是美味。请入座吧。我们的餐桌永远为您留有位置。
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
在 Qwen Audio 3.0 TTS 中,将 Plus 富有表现力的音色与注重低延迟的 Flash 语音合成相结合,打造陪伴式对话、语音助手、本地化支持、故事旁白、品牌配音和有声课程。
借助 Plus 为虚拟陪伴角色赋予富有表现力的声音,并通过指令塑造情绪、语气和角色特点。为社交应用和互动角色体验创作温暖的问候、俏皮的交流或令人安心的回复。
当语音助手需要以语音作答时,Flash 可提供针对低延迟实时对话优化的语音合成。将其用作对话界面的语音输出层,把生成的文本转换为语音。
Flash 支持多种语言和中文方言,可为客服工作流提供本地化语音。将书面帮助信息转换为语音指引,为应用服务的不同受众提供贴合地区需求的支持体验。
借助 Plus,指令可塑造旁白的情绪和语气,语音控制项则可调节语速和音量。为有声读物项目、故事应用和系列音频内容制作故事朗读片段及角色台词。
借助 Plus,可将产品文案转化为富有表现力的配音,并通过指令设定表达风格和人物形象。围绕契合品牌调性的声音风格,制作产品介绍、宣传短片和应用操作指南。
对于学习类应用,Plus 可将教学文本转换为富有表现力的语音,并支持调节语速和音量。教育工作者可以制作讲解示例、课程导入和有声学习指南,让表达方式与教学材料相匹配。
根据应用侧重点、语音控制、音频格式和标准 Atlas Cloud 定价,比较 Qwen Audio 3.0 TTS 与 3.1 变体及 MiniMax Speech 模型。
| 模型 | 应用场景 | 语音控制 | 音频格式 | 标准价格 / 1K 字符 |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | 适用于社交和陪伴场景的富有表现力的语音 | 通过指令描述情绪、语气和角色;调节语速、音高和音量 | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | 适用于助手、实时对话和客服的低延迟语音合成 | 通过指令调整情绪和说话风格,同时调节语速、音高和音量 | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | 适用于品牌语音、有声书、配音和角色演绎 | 通过指令指定情绪表达和角色,并微调语速、音高和音量 | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | 适用于交互式应用的多语言和方言语音 | 结合自然语言指令、富有表现力的标签和可调节的语音参数 | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | 侧重自然度和表现力的语音生成 | 选择音色并调节语速、音高和音量 | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | 支持选择音色和使用语气词标签的快速语音生成 | 使用情绪预设和行内语气词,并设置语速、音高和音量 | MP3, WAV, FLAC | $0.06 |
几分钟即可上手 — 按照以下简单步骤,通过 Atlas Cloud 平台集成和部署模型。
在 atlascloud.ai 注册并完成验证。新用户可获得免费额度,用于探索平台和测试模型。
将先进的 Qwen Audio 3.0 TTS 模型与 Atlas Cloud 的 GPU 加速平台相结合,提供无与伦比的性能、可扩展性和开发体验。
低延迟:
GPU 优化推理,实现实时响应。
统一 API:
一次集成,畅用 Qwen Audio 3.0 TTS、GPT、Gemini 和 DeepSeek。
透明定价:
按 Token 计费,支持 Serverless 模式。
开发者体验:
SDK、数据分析、微调工具和模板一应俱全。
可靠性:
99.99% 可用性、RBAC 权限控制、合规日志。
安全与合规:
SOC 2 Type II 认证、HIPAA 合规、美国数据主权。
Qwen Audio 3.0 TTS 是阿里巴巴的文本转语音模型系列,可在 Atlas Cloud 上使用 Plus 和 Flash 两种版本。它能将文本转换为语音,并支持通过自然语言指令控制情绪、语气、角色和表达方式。
可用于打造社交陪伴、语音助手、交互式对话和客户支持等语音体验。Plus 表达力更强,适合陪伴式互动;Flash 则针对优先考虑低延迟语音生成的应用进行了优化。
创建 Atlas Cloud API 密钥,然后向 https://api.atlascloud.ai/api/v1/model/generateAudio 发送经过身份验证的 POST 请求,并提供 model、text 和 voice。模型 ID 使用 alibaba/qwen-audio-3.0-tts-plus/text-to-speech 或 alibaba/qwen-audio-3.0-tts-flash/text-to-speech。接着,使用返回的任务 ID 轮询 https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id},直到生成完成,再从 outputs 中获取音频 URL。
Atlas Cloud 的标准定价为:Plus 每 1,000 个输入字符 $0.02,Flash 每 1,000 个输入字符 $0.015。两个版本均按字符计费,按用量付费。
每个版本的 Atlas Cloud 模型页面都列出了 597 种基础音色,附有语言和性别标签及试听样本。模型支持多语言语音和中文方言,语言提示包括中文、英语、日语和韩语。正式使用前,建议试听目标语言或方言对应的音色。
在 instruction 参数中描述所需的情绪、语气或角色,并通过专用参数调整语速、音高和音量。对于结构化文本输入,可启用 enable_ssml 以支持 SSML 和 LaTeX,进一步控制语音呈现效果。
通过 output_format 选择 MP3、PCM、WAV 或 Opus,默认格式为 MP3。两个模型还都提供 sample_rate 参数;bit_rate 仅适用于 Opus 输出。
如果社交或陪伴体验需要自然且富有表现力的语音,可选择 Plus。如果应用更看重低延迟交互和较低的字符成本,Flash 是更合适的起点。做决定前,可用相同的文本脚本和目标说话风格分别测试两个版本。
Atlas Cloud 文档所述的集成方式采用异步提交和轮询,任务完成后返回音频 URL。设计播放流程时,应将此端点视为基于任务的工作流;如果应用需要在生成过程中接收音频分块,请另行确认是否支持流式传输。
使用属于其他模型的音色 ID 可能触发 InvalidParameter,因此应从所选版本对应的音色目录中选择音色。从 Plus 切换到 Flash 或反向切换时,请同时更新 model 和 voice,不要继续使用之前的音色 ID。
指南、教程与产品动态,助你充分发挥 Atlas Cloud 的价值。