

Qwen Audio 3.1 TTS 将 Alibaba 的语音合成系列带给开发者。Flash 为交互式应用提供多语言语音和中文方言(包括上海话和粤语)。Plus 支持从嘈杂的参考音频中进行语音克隆,适用于高级语音工作。Atlas Cloud 列出的每 1,000 个字符的标准价格为:Flash 0.003 美元,Plus 0.03 美元。立即开始构建吧。
Qwen Audio 3.1 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。
为实时交互选择低延迟语音合成,或使用旗舰级语音生成与强大的克隆能力。
| 模态 | 描述 |
|---|---|
| Qwen Audio 3.1 TTS Flash(文本转语音) | 将文本转换为语音,提供涵盖多种语言和中文方言的系统音色。通过指令控制情绪、语气、角色、语速和音量。针对首段音频响应延迟进行了优化,适用于语音助手、实时对话和交互式客户支持。 |
| Qwen Audio 3.1 TTS Plus(文本转语音) | Plus 面向高品质语音制作,可将文本转换为多语言或方言语音,并支持从嘈杂的参考音频中进行稳定的语音克隆。通过指令控制情绪、语气、角色、语速和音量,适用于品牌旁白、有声书和角色演绎。 |
从 Flash 专注于低延迟的语音合成到 Plus 的高级语音生成,Qwen Audio 3.1 TTS 结合了多语言交付、中文方言、表现力控制以及 Atlas Cloud 的统一 API 访问。
Flash是Qwen Audio 3.1 TTS的低延迟层,专为实时交互中的首包响应而优化。其语音合成结合了多语言声音以及对情感、语调、角色、语速和音量的指令。在提供要合成的文本的同时,描述您的应用程序所需的表达方式。该层级适用于对语音响应速度要求较高的语音助手、对话式产品和客户服务体验。
Plus 为 Qwen Audio 3.1 TTS 带来了优质的语音合成和强大的声音克隆功能,并在 Atlas Cloud 的参数架构中提供了四种系统语音。该模型旨在当参考录音包含噪声或混响时仍保持清晰度。自然语言指令可塑造最终的情感、语调和角色特征。选择 Plus,用于品牌旁白、有声读物制作、电影配音以及富有表现力的角色演绎。
多语种语音和汉语方言是该系列模型的核心,支持的语言包括中文、英文、日文和韩文。Flash 的方言覆盖范围包括上海话、粤语、东北话和四川话。请选择适合您所需语言或方言的语音,然后通过指令引导其表达。本地化旁白和区域性语音体验能够真实反映受众的实际说话方式。
使用自然语言指令来控制情感、语调、角色和说话风格,从而指导语音表现。在 Plus 版本中,语速和音高的调节范围均为 0.5 到 2.0,而音量范围为 0 到 100。将这些控制功能与您的脚本相结合,可调整节奏、音区和输出电平。这种控制有助于为平静的旁白、充满活力的推广或角色对话量身定制段落。
Plus 版本的四种输出格式涵盖 MP3、PCM、WAV 和 Opus,可选采样率从 8,000 到 48,000 Hz。请选择与您的音频管道相匹配的格式和采样率。当您的输入使用受支持的标记语言或 LaTeX 时,请启用 SSML。这些选项有助于开发人员为播放、编辑和教育内容准备合成语音,而无需依赖单一的交付格式。
Atlas Cloud 为两个层级提供统一的 API 访问和基于字符的计费,Flash 的标准费率为每 1,000 个字符 0.003 美元,Plus 为 0.03 美元。对于 Plus 生成,请提交异步请求并轮询其 prediction ID,直到音频准备就绪。完成的结果包含音频 URL。这一工作流使语音生成能够切实地集成到应用程序和生产队列中。
使用完全相同的脚本,将 Qwen Audio 3.1 TTS 与另一款语音模型及其前代产品进行对比,内容涵盖从亲切的故事讲述到体育赛事的现场解说。
我为您保留了靠窗的座位。每个夜晚,我都以为您也许会回家。等等……真的是您吗?您在这里!请进,亲爱的。水壶还温热着,专为您而留。
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
最后一个弯道,她依然落后。听那人群的欢呼……她找到了突破口,取得领先,并赢得了比赛!多么精彩的冲刺!深呼吸,冠军。每一个早起的清晨,都成就了你的这一刻。
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
从品牌活动和有声读物,到角色对话、语音助手、区域支持以及本地化课程,Qwen Audio 3.1 TTS 为内容生产和交互式应用提供了可控的语音功能。
Plus 可根据对情感、语调和演绎方式的指令,将营销活动脚本转化为高级配音。为每个营销活动量身定制播音风格,创作产品发布旁白、促销音频和品牌信息。
通过具备可控情感、语速和音量的 Plus 旁白功能,让故事栩栩如生。出版商和有声读物应用能够将章节剧本转化为富有表现力的音频,并针对对话和描述性段落调整演绎方式。
当应用程序需要语音回复时,Flash 提供了针对低首包延迟进行优化的语音合成功能。将其用作对话助手、互动伴侣和其他对话界面的语音输出层。
在支持的多种语言和中文方言中,Flash 能够为客服话术生成语音,并支持调节语调和语速。构建语音帮助回复和区域性公告,专为偏好熟悉语言和本地发音的用户打造。
借助 Plus 指令指导情感、角色和说话风格,从而塑造剧本对话中的角色表现。游戏开发者和动画团队能够制作配音场景,并通过尝试不同的演绎方式来契合各个角色。
对于本地化的学习内容,多语言合成技术将课程脚本转化为语速和语调可控的语音。教育平台可以制作语音讲解和听力练习,根据不同受众和课程形式调整呈现方式。
从语音表现控制、音频格式和 Atlas Cloud 标准定价等方面,对比 Qwen Audio 3.1 TTS、其 3.0 前代版本及 MiniMax Speech 模型。
| 模型 | 语音表现控制 | 音频格式 | 标准价格 / 1K 字符 |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | 通过自然语言指令控制情绪、语气和角色;可调节语速、音高和音量 | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | 通过指令设置情绪、语气和角色;精细调节语速、音高和音量 | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | 通过指令塑造富有表现力的语音,并调节语速、音高和音量 | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | 通过指令控制情绪和说话风格,并调节语速、音高和音量 | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | 可选择情绪,并设置语速、音高和音量 | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | 设置情绪和声音参数;插入语气词标签和定时停顿 | 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 3.1 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 3.1 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 3.1 TTS 是阿里巴巴的文本转语音模型系列,在 Atlas Cloud 上提供 Plus 和 Flash 版本。Plus 专注于卓越的语音质量,而 Flash 则针对低延迟交互进行优化,支持多语种语音和中文方言。
使用 Plus 为有声读物、品牌内容、配音和角色表演创建旁白。对于语音助手、对话式应用和客户服务,Flash 侧重于响应式语音生成。
创建一个 Atlas Cloud API 密钥,并从其模型页面选择 Plus 或 Flash 模型 ID。使用 Bearer 身份验证将您的文本和兼容的语音提交至 generateAudio 端点。保留返回的任务 ID,并轮询 prediction 端点,直至生成的音频可用。
语言覆盖范围取决于模型和所选音色。Flash包含支持日语、韩语、法语、德语、葡萄牙语、意大利语、越南语和印尼语的多语言音色,以及上海话、粤语和东北话等汉语方言。在生成语音之前,请选择支持您目标语言或方言的音色。
支持的音频输出格式包括 MP3、PCM、WAV 和 Opus。同时也支持 SSML 和 LaTeX 输入,不过 SSML 的可用性取决于所选的语音。在 Atlas Cloud 上,请使用 output_format 来选择音频格式,并在提交 SSML 时使用 enable_ssml。
使用自然语言指令来引导情感、语调、角色和说话风格。Atlas Cloud 还在 Plus 端点上提供了语速、音高和音量控制,以便进行更精确的表达调整。使用所选声音测试您的指令,以检查结果是否符合您预期的表现。
Plus 支持从包含噪声或混响的参考音频中进行强大的声音克隆。在投入生产环境之前,请使用具有代表性的录音来评估合成结果,特别是在说话人相似度和发音至关重要的情况下。
当音频保真度和表现力细节至关重要时(例如用于品牌声音、有声读物和配音),请选择 Plus。Flash 专为优先考虑低首包延迟的应用而设计,包括语音助手和交互式对话。在选择生产模型之前,请使用相同的脚本和合适的声音对两者进行比较。
Atlas Cloud 的标准价格为:Plus 每 1,000 个输入字符 0.03 美元,Flash 每 1,000 个输入字符 0.003 美元。这些是 Atlas Cloud 后端提供的标准费率,不包含促销折扣。
Flash 在模型层面针对首包延迟进行了优化。Atlas Cloud 文档中说明的音频生成工作流会提交一个异步任务,并通过轮询其任务 ID 来获取完成的结果。请在您的应用程序中测量从提交到播放的时间,而不是将模型延迟视为流式交付的保证。
指南、教程与产品动态,助你充分发挥 Atlas Cloud 的价值。