Ir al contenido principal

Qwen3 TTS API

Sin censura — Este modelo declara que no aplica filtros. SpicyAPI reenvía sin añadir análisis de contenido de la plataforma; las obligaciones legales y de consentimiento siguen siendo del cliente.Ver todos los modelos con este nivel de filtrado
alibaba/qwen-3-tts/text-to-speech

Qwen3 TTS es el modelo text-to-speech de código abierto de Alibaba: envía un guion, elige una de nueve voces predefinidas y recibe un MP3 mono de 24 kHz. Instrucciones en lenguaje llano fijan tono, emoción o ritmo, y se puede indicar el idioma.

Desde $0.068/1.000 caracteres
Ejecutar modelo

Playground

Entrada

Texto a voz
119/2000
Las palabras que se van a pronunciar, exactamente como están escritas. Se cobra por cada 1.000 caracteres, con un mínimo de 100 por solicitud. Hasta 2.000 caracteres. mínimo 1 caracteres · máximo 2000 caracteres

119 caracteres

Una de nueve voces predefinidas. Predeterminado: Serena.
48/1000
Indicación en lenguaje simple sobre tono, emoción o ritmo. Da forma a la interpretación y no se pronuncia. Hasta 1.000 caracteres; no se cobra. máximo 1000 caracteres

Nunca se lee en voz alta. Solo define cómo se interpreta el guion.

Idioma de la lectura. auto lo detecta a partir del guion.
Filtro de seguridadDesactivado

SpicyAPI no ejecuta ningún filtro de seguridad en este modelo. Tu prompt y tus medios llegan al modelo tal como los escribes, y el propio modelo decide el resultado.

Comprobando tu cuenta antes de habilitar el envío y el cálculo de precios.

Salida

Listo para una nueva ejecución
Resultado de ejemplo
0:00 / –:––
Avatar
Voz a texto
Sincronización labial

Modelos relacionados y tareas siguientes

¿No está el modelo que buscas?

Dinos cuál añadir y para qué lo usarías. Las solicitudes llegan directamente al equipo que decide los próximos modelos.

Nueve voces. Tú diriges.

Qwen3 TTS es el modelo de texto a voz de código abierto de Alibaba: envías hasta 2.000 caracteres de texto, eliges una de nueve voces preestablecidas y, si quieres, agregas una frase con instrucciones en lenguaje simple sobre el tono, la emoción o el ritmo. El modelo detecta el idioma automáticamente o puedes fijar uno de los diez tú mismo, incluidas dos voces con dialectos chinos. El costo se calcula por cada 1.000 caracteres del texto enviado, con un mínimo de 100 caracteres por solicitud, así que la cotización que ves antes de ejecutar la tarea es el cargo exacto. SpicyAPI no aplica ningún filtro de contenido, y en nuestras pruebas nuestros guiones de prueba más intensos se leyeron completos.

Abrir el playground
Nueve voces. Tú diriges.
Voces
9 preestablecidas, incluidas dos con dialectos chinos
Idiomas
10, detectados automáticamente o fijados con language
Caracteres por solicitud
Hasta 2.000; se cobra por cada 1.000, mínimo 100
Salida
MP3 mono de 24 kHz
Precio
$0,068 por cada 1.000 caracteres, la cotización es final
Filtro de contenido
Ninguno — nuestros guiones de prueba más intensos se leyeron completos
Voces
Nueve personajes fijos, dos con dialectoElige una voz para cada personaje y reutiliza su voice_id. Escucha varios clips antes de publicarlos: una voz predefinida no garantiza una interpretación idéntica en cada solicitud.
Dirección
Notas de dirección, no controles numéricosDescribe brevemente el tono, la emoción o el ritmo en instructions. Estas indicaciones no se leen en voz alta ni cuentan como texto facturable. Cada generación completada se cobra por separado según la longitud del guion, aunque reutilices las mismas palabras.
Costo
La cotización antes de ejecutar es el precio finalLa cantidad de caracteres se conoce en el momento de enviar la solicitud, así que lo que muestra la cotización es exactamente lo que se cobra: sin medición posterior ni redondeo al recibir el audio. Una solicitud por debajo del mínimo de 100 caracteres igual se cobra como 100.

Qué ofrece la API de Qwen3 TTS

  • Nueve voces predefinidas para tus personajes

    Reutiliza el mismo voice_id e incluye instructions en cada solicitud. Escucha los clips juntos para comprobar el tono, el ritmo y la pronunciación.

  • Dirección en lenguaje simple en vez de ajuste de parámetros

    instructions se lee como una nota para un actor de doblaje: «sin aliento y en tono de broma, cerca del micrófono» o «plano, cansado, como leyendo un guion». Da forma al tono, la emoción y el ritmo sin exponer controles separados de altura o velocidad, y no tiene costo adicional.

  • Diez idiomas en un solo campo

    language viene por defecto en auto, que detecta el idioma a partir del propio guion, así que un catálogo mixto de líneas en inglés, español y japonés no necesita una tabla de enrutamiento por idioma. Fijar el campo manualmente sirve para el caso de un guion corto o mixto que se lee en el idioma equivocado.

  • Voces nativas de idioma y dialecto

    Dylan y Eric leen en dialecto de Pekín y de Sichuan, no en una aproximación con acento estándar, y Ono_Anna y Sohee son hablantes nativas de japonés y coreano. Para una línea que debe sonar local y no solo traducida, la elección de voz hace parte del trabajo.

  • Un precio que puedes calcular antes de enviar la solicitud

    El cobro es lineal por cada 1.000 caracteres de texto, con un mínimo de 100, e instructions no se cuenta en absoluto. Como la cantidad de caracteres se conoce de antemano, la estimación que muestra la consola coincide con el monto cobrado; no hay nada que conciliar después de recibir el audio.

  • Guiones sin filtro leídos tal como están escritos

    SpicyAPI no añade ningún filtro de contenido sobre el modelo. En nuestras pruebas, Qwen3 TTS leyó palabra por palabra nuestros guiones de prueba más intensos, tanto líneas en primera persona como narración, sin omitir ni suavizar nada, algo relevante para ficción de audio sin censura y productos de voces de compañía donde una línea filtrada rompe la escena.

Para quién es Qwen3 TTS

  • Una voz para varias líneas de diálogo

    Apps de personajes y compañía

    Una voz para varias líneas de diálogo

    Reutiliza el mismo voice_id e incluye instructions en cada solicitud. Escucha los clips juntos para comprobar el tono, el ritmo y la pronunciación.

  • Un solo endpoint para un catálogo con idiomas mezclados

    Equipos de contenido multilingüe

    Un solo endpoint para un catálogo con idiomas mezclados

    La detección automática de idioma hace que un guion en japonés, luego uno en español y luego una frase mixta pasen por la misma llamada sin una tabla de enrutamiento por delante. Ono_Anna y Sohee dan a las líneas en japonés y coreano una lectura de sonido nativo en vez de una con acento.

  • Narración que no se detiene a mitad de una escena

    Productores de audiolibros y ficción

    Narración que no se detiene a mitad de una escena

    En nuestras pruebas, nuestros monólogos y guiones de narración más intensos se leyeron completos, palabra por palabra. Para editoriales cuyo catálogo incluye ese material, un paso de narración que continúa a través de la escena es lo que vuelve utilizable el flujo de trabajo.

  • Una pista de voz antes de las imágenes

    Creadores de video y formato corto

    Una pista de voz antes de las imágenes

    Genera la línea aquí como un MP3 y luego pásala a un modelo de avatar parlante o de sincronización labial para que un rostro la interprete, o insértala directamente en la línea de tiempo de un video. El precio por cada 1.000 caracteres mantiene comparable el costo por palabra entre una línea corta de subtítulo y una narración larga.

Cómo usar la API de Qwen3 TTS

  1. Escribe el guion en text

    Hasta 2.000 caracteres, con la puntuación necesaria para el ritmo que quieras. Todo lo que esté por debajo de 100 caracteres se cobra como 100, así que una línea corta no necesita rellenarse por razones de costo, pero tampoco resultará más barata que una de 100 caracteres.

  2. Elige una voice_id

    Hay nueve voces disponibles, con Serena como valor por defecto, una voz femenina joven y cálida. Ryan y Aiden son voces masculinas en inglés, Dylan y Eric leen en dialecto de Pekín y Sichuan, y Ono_Anna y Sohee son voces nativas en japonés y coreano.

  3. Agrega instructions si la interpretación necesita forma

    Una o dos frases en lenguaje simple —tono, emoción, ritmo— guían la lectura. El campo es opcional, no se lee en voz alta y no aumenta el costo.

  4. Fija language solo si auto se equivoca

    Deja language en auto para la mayoría de los guiones; el modelo detecta el idioma a partir del texto. Fíjalo explícitamente para guiones cortos o con idiomas mezclados, donde la detección automática tiene poco texto con qué trabajar.

  5. Revisa la cotización y luego lee el MP3 en el resultado

    La cotización que se muestra antes de ejecutar es el precio final, porque la cantidad de caracteres ya se conoce. La tarea devuelve un archivo MP3 mono de 24 kHz, guardado en el almacenamiento de SpicyAPI durante 14 días.

Ejemplos prácticos de Qwen3 TTS

  • Un personaje de compañía con voz fija

    Reutiliza voice_id e instructions en cada línea y escucha los clips juntos antes de publicarlos.

    {"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"}

  • Una línea en coreano leída con voz nativa

    Fijar voice_id en Sohee da a un guion en coreano una lectura de sonido nativo en vez de una con acento.

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

  • Una nota de voz de madrugada

    Una línea corta de tono personal con una nota de dirección, con la voz de Serena por defecto.

    {"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"}

Preguntas sobre la API de Qwen3 TTS

Elige una voice_id por personaje y mantenla a lo largo de la serie. Escribe en instructions una indicación breve y concreta sobre el ambiente y el ritmo. La indicación en sí no se factura, pero cada generación completada sí. Deja language en auto salvo que una frase corta o ambigua se detecte mal. Escucha cada resultado antes de publicarlo.