Zum Hauptinhalt springen

Qwen3 TTS API

Unzensiert — Dieses Modell filtert Inhalte nach eigener Angabe nicht. SpicyAPI leitet die Anfrage ohne zusätzliche Plattformprüfung weiter; Rechts- und Einwilligungspflichten bleiben beim Kunden.Alle Modelle dieser Filterstufe ansehen
alibaba/qwen-3-tts/text-to-speech

Qwen3 TTS ist Alibabas Open-Source-Text-zu-Sprache-Modell: Senden Sie ein Skript, wählen Sie eine von neun Stimmen und erhalten Sie eine 24-kHz-Mono-MP3. Anweisungen in Klartext steuern Ton, Emotion oder Tempo, und eine Sprache lässt sich festlegen.

Ab $0.068/1.000 Zeichen
Modell ausführen

Playground

Eingabe

Text zu Sprache
119/2000
Die zu sprechenden Worte, genau wie geschrieben. Abgerechnet pro 1.000 Zeichen, mindestens 100 pro Anfrage. Bis zu 2.000 Zeichen. mindestens 1 Zeichen · höchstens 2000 Zeichen

119 Zeichen

Eine von neun vorgefertigten Stimmen. Standardwert: Serena.
48/1000
Regieanweisung in einfacher Sprache zu Tonfall, Emotion oder Tempo. Prägt den Vortrag und wird nicht mitgesprochen. Bis zu 1.000 Zeichen; nicht abgerechnet. höchstens 1000 Zeichen

Wird nie vorgelesen. Bestimmt nur, wie das Skript vorgetragen wird.

Sprache des Vortrags. auto erkennt sie aus dem Skript.
SicherheitsfilterAus

SpicyAPI führt bei diesem Modell keinen Sicherheitsfilter aus. Prompt und Material gehen unverändert an das Modell, und das Modell selbst entscheidet über das Ergebnis.

Wir prüfen Ihr Konto, bevor Absenden und Preisberechnung freigeschaltet werden.

Ausgabe

Bereit für einen neuen Lauf
Beispielergebnis
0:00 / –:––
Avatar
Sprache zu Text
Lippensynchronisation

Verwandte Modelle und nächste Schritte

Ihr Modell ist nicht dabei?

Sagen Sie uns, welches Modell fehlt und wofür Sie es brauchen. Ihre Anfrage geht direkt an das Team, das über die nächsten Modelle entscheidet.

Neun Stimmen. Ihre Regie.

Qwen3 TTS ist das quelloffene Text-to-Speech-Modell von Alibaba: Sie senden bis zu 2.000 Zeichen Text, wählen eine von neun voreingestellten Stimmen und fügen bei Bedarf einen Satz mit Regieanweisungen zu Tonfall, Emotion oder Tempo hinzu. Das Modell erkennt die Sprache automatisch, oder Sie legen eine von zehn Sprachen selbst fest, darunter zwei chinesische Dialektstimmen. Abgerechnet wird pro 1.000 gesendete Zeichen, mit einem Minimum von 100 Zeichen pro Anfrage, sodass der vor dem Lauf angezeigte Preis exakt dem Betrag entspricht, der belastet wird. SpicyAPI setzt keinen Inhaltsfilter ein, und in unseren Tests wurden unsere stärksten Testskripte vollständig vorgelesen.

Playground öffnen
Neun Stimmen. Ihre Regie.
Stimmen
9 Presets, darunter zwei chinesische Dialektstimmen
Sprachen
10, automatisch erkannt oder per language festgelegt
Zeichen pro Anfrage
Bis zu 2.000; Abrechnung pro 1.000, Minimum 100
Ausgabe
MP3, 24 kHz, mono
Preis
0,068 $ pro 1.000 Zeichen, Angebot ist Endpreis
Inhaltsfilter
Keiner — unsere stärksten Testskripte wurden vollständig vorgelesen
Stimmen
Neun feste Charaktere, zwei davon DialektsprecherWählen Sie pro Figur eine Stimme und verwenden Sie dieselbe voice_id. Prüfen Sie mehrere Clips vor der Veröffentlichung: Eine feste Stimme garantiert keine identische Darbietung bei jeder Anfrage.
Regie
Regieanweisungen statt ReglerBeschreiben Sie Ton, Gefühl oder Tempo kurz in instructions. Diese Hinweise werden weder vorgelesen noch als abrechenbarer Text gezählt. Jede erfolgreiche Generierung wird separat nach der Skriptlänge berechnet, auch bei identischem Text.
Abrechnung
Das Angebot vor dem Lauf ist der EndpreisDie Zeichenzahl steht bereits beim Senden der Anfrage fest, sodass der angezeigte Preis exakt dem berechneten Betrag entspricht — keine Nachberechnung, keine Rundung nach Erhalt des Audios. Eine Anfrage unter dem Minimum von 100 Zeichen wird trotzdem als 100 Zeichen abgerechnet.

Was die Qwen3 TTS-API bietet

  • Neun vorgegebene Stimmen für Ihre Figuren

    Verwenden Sie dieselbe voice_id und senden Sie instructions bei jeder Anfrage mit. Hören Sie die Clips zusammen an und prüfen Sie Tonfall, Tempo und Aussprache.

  • Regieanweisungen in normaler Sprache statt Parameter-Feintuning

    instructions liest sich wie eine Notiz an eine Sprecherin: „atemlos und neckend, nah am Mikrofon“ oder „flach, müde, wie vom Blatt gelesen“. Es formt Tonfall, Emotion und Tempo, ohne separate Tonhöhen- oder Tempo-Regler offenzulegen, und kostet nichts extra.

  • Zehn Sprachen, ein Feld

    language steht standardmäßig auf auto und erkennt die Sprache aus dem Skript selbst, sodass ein gemischter Katalog aus englischen, spanischen und japanischen Zeilen kein sprachspezifisches Routing benötigt. Das manuelle Setzen des Feldes ist für den Fall gedacht, dass ein kurzes oder gemischtsprachiges Skript falsch erkannt wird.

  • Muttersprachliche Dialekt- und Sprachstimmen

    Dylan und Eric sprechen im Peking- beziehungsweise Sichuan-Dialekt statt in einer Standardaussprache mit Annäherung daran, und Ono_Anna und Sohee sind Muttersprachlerinnen des Japanischen und Koreanischen. Für eine Zeile, die lokal statt nur übersetzt klingen soll, übernimmt die Stimmwahl einen Teil der Arbeit.

  • Ein Preis, den Sie vor dem Senden berechnen können

    Die Abrechnung erfolgt linear pro 1.000 Textzeichen mit einem Minimum von 100 Zeichen, und instructions wird gar nicht mitgezählt. Da die Zeichenzahl im Voraus feststeht, entspricht die in der Konsole angezeigte Schätzung dem berechneten Betrag — nach Erhalt des Audios gibt es nichts abzugleichen.

  • Ungefilterte Skripte werden wie geschrieben vorgelesen

    SpicyAPI fügt dem Modell keinen zusätzlichen Inhaltsfilter hinzu. In unseren Tests las Qwen3 TTS unsere stärksten Testskripte mit Ich-Perspektive und Erzählpassagen Wort für Wort vor, statt sie auszulassen oder abzuschwächen — wichtig für unzensierte Audiofiktion und Sprachbegleiter-Produkte, bei denen eine gefilterte Zeile die Szene zerstört.

Für wen sich Qwen3 TTS eignet

  • Eine Stimme für mehrere Dialogzeilen

    Charakter- und Begleiter-Apps

    Eine Stimme für mehrere Dialogzeilen

    Verwenden Sie dieselbe voice_id und senden Sie instructions bei jeder Anfrage mit. Hören Sie die Clips zusammen an und prüfen Sie Tonfall, Tempo und Aussprache.

  • Ein Endpunkt für einen Katalog mit gemischten Sprachen

    Mehrsprachige Content-Teams

    Ein Endpunkt für einen Katalog mit gemischten Sprachen

    Die automatische Spracherkennung sorgt dafür, dass ein japanisches Skript, dann ein spanisches, dann ein gemischter Satz alle über denselben Aufruf laufen, ohne vorgeschaltete Routing-Tabelle. Ono_Anna und Sohee geben japanischen und koreanischen Zeilen eine muttersprachlich klingende Lesung statt einer akzentbehafteten.

  • Erzählung, die nicht mitten in einer Szene stoppt

    Hörbuch- und Fiction-Produzenten

    Erzählung, die nicht mitten in einer Szene stoppt

    In unseren Tests wurden unsere stärksten Monolog- und Erzähltexte vollständig, Wort für Wort, vorgelesen. Für Fiction-Verlage, deren Katalog solches Material enthält, macht ein Erzählschritt, der durch die Szene weiterläuft, den Workflow überhaupt erst nutzbar.

  • Eine Tonspur vor den Bildern

    Video- und Kurzformat-Creator

    Eine Tonspur vor den Bildern

    Erzeugen Sie die Zeile hier als MP3 und geben Sie sie dann an ein Talking-Avatar- oder Lip-Sync-Modell weiter, damit ein Gesicht sie performt, oder legen Sie sie direkt auf eine Video-Timeline. Die Preisgestaltung pro 1.000 Zeichen hält eine kurze Untertitelzeile und eine lange Erzählung im Kostenverhältnis pro Wort vergleichbar.

So nutzen Sie die Qwen3 TTS-API

  1. Das Skript in text schreiben

    Bis zu 2.000 Zeichen, mit Zeichensetzung für das gewünschte Tempo. Alles unter 100 Zeichen wird als 100 abgerechnet — eine kurze Zeile muss also nicht aus Kostengründen aufgefüllt werden, wird aber auch nicht günstiger als eine 100-Zeichen-Zeile.

  2. Eine voice_id wählen

    Neun Presets stehen zur Verfügung, Standard ist Serena, eine warme, junge weibliche Stimme. Ryan und Aiden sind englische männliche Stimmen, Dylan und Eric sprechen Peking- und Sichuan-Dialekt, Ono_Anna und Sohee sind muttersprachliche japanische und koreanische Stimmen.

  3. instructions ergänzen, wenn die Lesart geformt werden soll

    Ein oder zwei Sätze in normaler Sprache — Tonfall, Emotion, Tempo — steuern die Lesung. Das Feld ist optional, wird nicht vorgelesen und erhöht die Rechnung nicht.

  4. language nur setzen, wenn auto danebenliegt

    Für die meisten Skripte language auf auto belassen; das Modell erkennt die Sprache aus dem Text. Explizit setzen bei kurzen oder gemischtsprachigen Skripten, bei denen die automatische Erkennung zu wenig Text hat.

  5. Das Angebot prüfen, dann die MP3 aus dem Ergebnis lesen

    Der vor dem Lauf angezeigte Preis ist der Endpreis, da die Zeichenzahl bereits feststeht. Der Task liefert eine MP3-Datei mit 24 kHz, mono, die 14 Tage im SpicyAPI-Speicher aufbewahrt wird.

Praxisbeispiele für Qwen3 TTS

  • Eine Begleiter-Figur mit fester Stimme

    Verwenden Sie voice_id und instructions für jede Zeile erneut und hören Sie die Clips vor der Veröffentlichung zusammen an.

    {"text": "You came back. I wasn't sure you would, not after last time.", "voice_id": "Vivian", "instructions": "breathless and a little teasing, close to the microphone"}

  • Eine koreanische Zeile mit muttersprachlicher Stimme

    Die Einstellung voice_id auf Sohee gibt einem koreanischen Skript eine muttersprachlich klingende Lesung statt einer akzentbehafteten.

    {"text": "오랜만이에요. 오늘 밤은 그냥 당신 목소리가 듣고 싶었어요.", "voice_id": "Sohee", "language": "ko"}

  • Eine späte Audio-Nachricht

    Eine kurze, persönlich klingende Zeile mit Regieanweisung, standardmäßig mit Serenas Stimme.

    {"text": "It's almost midnight and I still can't stop thinking about you.", "instructions": "soft, low volume, like she doesn't want anyone else in the room to hear"}

Fragen zur Qwen3 TTS-API

Wählen Sie pro Figur eine voice_id und verwenden Sie sie in der ganzen Serie. Halten Sie instructions kurz und konkret zu Stimmung und Tempo. Die Regieanweisung selbst wird nicht berechnet, jede erfolgreiche Generierung dagegen schon. Lassen Sie language auf auto, außer eine kurze oder mehrdeutige Zeile wird falsch erkannt. Hören Sie jedes Ergebnis vor der Veröffentlichung an.