Introducción
Usa alibaba/qwen-audio-3.0-tts-plus/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-plus/text-to-speech |
| Texto de entrada | 3.0 TTS Plus: text obligatorio, máximo de 10.000 caracteres |
| Selección de voz | 3.0 TTS Plus: 597 voces predefinidas, ID específicos del modelo |
| Ajustes de salida | 3.0 TTS Plus: MP3 de forma predeterminada; WAV, PCM sin procesar u Opus; 24.000 Hz por defecto |
| Flujo de solicitud | 3.0 TTS Plus: envío asíncrono seguido de consultas del estado de la tarea |
| Referencia medida | Contexto de 3.0 TTS Plus: 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 Plus: 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 Plus: selecciona una de las 597 voces predefinidas propias del modelo; se rechazan los ID de otros modelos, la información proporcionada no especifica… |
instructions | No | Dirección de 3.0 TTS Plus: 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 Plus: 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 Plus: 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 Plus: 0.5–2, con 1 como valor predeterminado, modifica la altura de la voz sin agregar costo. |
volume | No | Volumen de 3.0 TTS Plus: 0–100, con 50 como valor predeterminado, cambia el volumen de salida sin modificar el cobro. |
output_format | No | Codificación de 3.0 TTS Plus: 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 Plus: 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 Plus 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 Plus: habilítala para interpretar text como SSML y controlar pausas, pronunciación y énfasis; la información proporcionada no especifica un va… Valor predeterminado: |
seed | No | Semilla de comparación de 3.0 TTS Plus: usa la misma fuente aleatoria al modificar un ajuste, sin esperar audio idéntico; la información proporcionada no especifica un rango num… |
Precios
$0.019 / 1,000 caracteres
En Qwen-Audio 3.0 TTS Plus, el cobro se calcula en unidades de 1,000 caracteres de texto; las instrucciones de interpretación y las solicitudes fallidas quedan sin cargo.
Casos de uso
Conversaciones de compañía
Escribe una respuesta de apoyo y prueba una interpretación suave y juguetona para un acompañante de ficción.
Personajes de apps sociales
Asigna a cada personaje una voz predefinida y una indicación breve de personalidad para sus publicaciones habladas.
Motivación para entrenar
Combina un guion de entrenamiento con indicaciones animadas que transmitan motivación hasta la última repetición.
Guía de prompts y consejos prácticos
Prepara el guion de 3.0 TTS Plus
Coloca las palabras definitivas que debe leer 3.0 TTS Plus en text, sin superar los 10.000 caracteres por solicitud.
Elige y dirige la voz de 3.0 TTS Plus
Selecciona una voz predefinida de 3.0 TTS Plus y usa instructions para describir el papel, la emoción y el ritmo que deseas escuchar.
Genera y revisa el audio de 3.0 TTS Plus
Elige el formato de salida de 3.0 TTS Plus, envía la solicitud, consulta la tarea y escucha la interpretación terminada.
Introducción
Qwen-Audio 3.0 TTS Plus aporta a las apps sociales y de compañía un elenco expresivo de voces predefinidas del equipo Qwen de Alibaba. Las 597 voces se dividen en 589 opciones en chino y ocho en inglés para diálogos de personajes y grabaciones conversacionales.
Mantén el diálogo en text y describe la personalidad y la emoción en instructions. La síntesis es asíncrona: envía una solicitud, consulta el estado de su tarea y revisa la voz generada antes de incorporarla a tu app.
Funciones y aspectos destacados
- Escucha las ocho voces en inglés junto con el catálogo de 589 voces predefinidas en chino.
- Describe el ánimo de un acompañante o la energía de un entrenador con indicaciones libres de interpretación.
- Ajusta la velocidad de 0.5 a 2 y la altura tonal de 0.5 a 2 para el personaje elegido.
- Agrega etiquetas SSML de pronunciación, énfasis y pausas cuando el diálogo requiera mayor control.
Casos de uso
- Conversaciones de compañía: Escribe una respuesta de apoyo y prueba una interpretación suave y juguetona para un acompañante de ficción.
- Personajes de apps sociales: Asigna a cada personaje una voz predefinida y una indicación breve de personalidad para sus publicaciones habladas.
- Motivación para entrenar: Combina un guion de entrenamiento con indicaciones animadas que transmitan motivación hasta la última repetición.
Guía de prompts y consejos prácticos
- Define la forma de expresarse del personaje antes de ajustar cada control deslizante. Ejemplo de instrucción: "Sound friendly, curious and a little playful."
- Prueba una intención emocional por muestra para facilitar las comparaciones. Ejemplo de instrucción: "Offer reassurance with gentle, steady confidence."
- Separa las indicaciones para el entrenador de las palabras de motivación. Ejemplo de instrucción: "Speak like an upbeat gym coach cheering the final set."
- Compara una respuesta breve con varias voces predefinidas antes de escoger una para el personaje. Ejemplo de instrucción: "Read with relaxed warmth, as if catching up by phone."
Observación sobre el contenido en Qwen-Audio 3.0 TTS Plus: 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/qwen-audio-3.0-tts-plus/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"language": "auto",
"voice_id": "qwen-audio-3.0-tts-plus-loonglunawang",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.








