Introducción
Usa alibaba/qwen-audio-3.0-tts-flash/text-to-speech para sintetizar un guion preparado con 597 voces predefinidas; agrega instrucciones de interpretación, envía la tarea y consulta su estado hasta que termine.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Salida | Audio |
| Endpoint de API | alibaba/qwen-audio-3.0-tts-flash/text-to-speech |
| Texto de entrada | 3.0 TTS Flash: text obligatorio, máximo de 10.000 caracteres |
| Selección de voz | 3.0 TTS Flash: 597 voces predefinidas, ID específicos del modelo |
| Ajustes de salida | 3.0 TTS Flash: MP3 de forma predeterminada; WAV, PCM sin procesar u Opus; 24.000 Hz por defecto |
| Flujo de solicitud | 3.0 TTS Flash: envío asíncrono seguido de consultas del estado de la tarea |
| Referencia medida | Contexto de 3.0 TTS Flash: pruebas entre modelos del 5 de noviembre de 2026, 139 caracteres en inglés, unos 5–18 segundos para finalizar y 7–9,6 segundos de audio |
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
text | Sí | Guion de 3.0 TTS Flash: text es obligatorio, admite hasta 10.000 caracteres y no tiene un guion predeterminado; su longitud determina el cobro por cada 1,000 caracteres. mínimo 1 caracteres · máximo 10000 caracteres |
voice_id | No | Elección de voz de 3.0 TTS Flash: selecciona una de las 597 voces predefinidas propias del modelo; se rechazan los ID de otros modelos, la información proporcionada no especific… |
instructions | No | Dirección de 3.0 TTS Flash: notas libres sobre emoción, tono, personalidad, ritmo o dialecto que no se leen ni se cobran; la información proporcionada no especifica un límite de… máximo 1000 caracteres |
language | No | Indicación de idioma de 3.0 TTS Flash: auto de forma predeterminada, o zh, en, ja, ko, fr, de, pt, it, vi o id; este ajuste no afecta el precio. |
speed | No | Control del ritmo de 3.0 TTS Flash: 0.5–2, con 1 como valor predeterminado, para reducir o aumentar la velocidad del habla sin modificar el cargo. |
pitch | No | Ajuste de altura tonal de 3.0 TTS Flash: 0.5–2, con 1 como valor predeterminado, modifica la altura de la voz sin agregar costo. |
volume | No | Volumen de 3.0 TTS Flash: 0–100, con 50 como valor predeterminado, cambia el volumen de salida sin modificar el cobro. |
output_format | No | Codificación de 3.0 TTS Flash: mp3 de forma predeterminada; también wav, pcm (sin procesar) y opus; el formato seleccionado no modifica el precio. |
sample_rate | No | Frecuencia de muestreo de 3.0 TTS Flash: 8000, 12000, 16000, 22050, 24000 (predeterminada), 44100 o 48000 Hz; cambiarla mantiene el mismo precio. |
bitrate | No | El control de tasa de bits de 3.0 TTS Flash se aplica a Opus y no afecta el precio; la información proporcionada no especifica su rango numérico ni su valor predeterminado. |
enable_ssml | No | Activación de etiquetas en 3.0 TTS Flash: habilítala para interpretar text como SSML y controlar pausas, pronunciación y énfasis; la información proporcionada no especifica un v… Valor predeterminado: |
seed | No | Semilla de comparación de 3.0 TTS Flash: usa la misma fuente aleatoria al modificar un ajuste, sin esperar audio idéntico; la información proporcionada no especifica un rango nu… |
Precios
$0.014 / 1,000 caracteres
Qwen-Audio 3.0 TTS Flash cobra por cada 1,000 caracteres de text; instructions no se factura y las solicitudes que fallan no tienen cargo.
Casos de uso
Asistentes de reservas
Lee una confirmación de reserva y la pregunta de seguimiento con una interpretación amable y eficiente.
Líneas de consulta de pedidos
Convierte una actualización de envío preparada en una grabación clara para un flujo telefónico de atención al cliente.
Respuestas en diálogos en vivo
Prueba intervenciones breves del asistente y mide el tiempo de finalización en tu propia aplicación.
Guía de prompts y consejos prácticos
Prepara el guion de 3.0 TTS Flash
Coloca las palabras definitivas que debe leer 3.0 TTS Flash en text, sin superar los 10.000 caracteres por solicitud.
Elige y dirige la voz de 3.0 TTS Flash
Selecciona una voz predefinida de 3.0 TTS Flash y usa instructions para describir el papel, la emoción y el ritmo que deseas escuchar.
Genera y revisa el audio de 3.0 TTS Flash
Elige el formato de salida de 3.0 TTS Flash, envía la solicitud, consulta la tarea y escucha la interpretación terminada.
Introducción
Qwen-Audio 3.0 TTS Flash es la opción de Alibaba para voces de asistentes, diálogos en vivo y atención al cliente, presentada con un enfoque en la baja latencia hasta el primer paquete. Comparte el catálogo de 597 voces predefinidas de 3.0 Plus y tiene el menor precio de la línea 3.0.
Envía una respuesta preparada con una voz predefinida de Flash compatible y consulta la tarea enviada hasta que termine la síntesis. El enfoque en el primer paquete no establece un plazo de finalización para esta API asíncrona, así que mide la interacción completa en tu flujo telefónico.
Funciones y aspectos destacados
- Aprovecha las voces del catálogo 3.0 seleccionando el ID de voz correspondiente a Flash.
- Indica un tono de asistente eficiente con instrucciones que no agregan caracteres al cobro.
- Mantén los mensajes de servicio dentro del límite de 10.000 caracteres por solicitud.
- Elige MP3, WAV, PCM sin procesar u Opus según tu cadena de procesamiento de audio.
Casos de uso
- Asistentes de reservas: Lee una confirmación de reserva y la pregunta de seguimiento con una interpretación amable y eficiente.
- Líneas de consulta de pedidos: Convierte una actualización de envío preparada en una grabación clara para un flujo telefónico de atención al cliente.
- Respuestas en diálogos en vivo: Prueba intervenciones breves del asistente y mide el tiempo de finalización en tu propia aplicación.
Guía de prompts y consejos prácticos
- Usa un estilo de atención directo para los mensajes transaccionales. Ejemplo de instrucción: "Speak as a friendly, efficient booking assistant."
- Haz que la actualización de un pedido sea fácil de seguir con una indicación de lectura clara. Ejemplo de instrucción: "Read the shipping update calmly and clearly."
- Prueba un ritmo medido antes de aumentar el ajuste de velocidad. Ejemplo de instrucción: "Keep a brisk rhythm while making every detail clear."
- Pon a prueba una sola respuesta antes de generar todo el flujo telefónico. Ejemplo de instrucción: "Ask the follow-up question with a helpful, neutral tone."
Observación sobre el contenido en Qwen-Audio 3.0 TTS Flash: no hay filtro de contenido; en las pruebas se leyeron los guiones de temática restringida tal como estaban escritos; toda persona representada debe ser mayor de edad; verifica los derechos del guion y no confundas a quienes escuchan sobre la identidad de la voz.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/qwen-audio-3.0-tts-flash/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"language": "auto",
"voice_id": "qwen-audio-3.0-tts-flash-loonglunawang",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.








