Qwen3 TTS para vozes de personagens adultos: presets, instruções e custo

Uma mensagem de voz de um personagem fictício funciona quando a voz combina com a pessoa e a leitura combina com o momento. O Qwen3 TTS transforma o roteiro de um personagem adulto em um único MP3 de voz única, e você orienta a leitura com uma nota em linguagem simples. A tarefa da SpicyAPI tem nove vozes predefinidas e custa $0.068 por 1.000 caracteres de texto, com um mínimo de 100 caracteres por requisição. Com base nos nossos testes de setembro de 2026, o vocabulário adulto explícito em passagens diretas e no estilo audiobook foi lido na íntegra. Use para mensagens de voz gravadas e narração; este caminho não tem clonagem de voz nem transmissão ao vivo.

O que a tarefa hospedada inclui

Escolha o preset e gere na página da tarefa Qwen3 TTS. O repositório da equipe Qwen também cobre as variantes CustomVoice, Base (clonagem) e VoiceDesign. São ofertas distintas: o argumento ref_audio ou speaker de uma biblioteca não é uma entrada aqui, onde o campo de voz é voice_id.

Escolha uma voz para o roteiro que você tem

Todo preset consegue ler qualquer idioma compatível, mas a equipe do Qwen recomenda o idioma nativo da voz para a melhor qualidade. Para um personagem masculino em inglês, comece com Ryan ou Aiden. Para um personagem feminino em inglês, experimente Serena ou Vivian; o conjunto não tem voz feminina com inglês como idioma nativo, então ouça antes de decidir.

Ouça uma mensagem de voz com Serena: uma mensagem noturna de "me liga de volta" lida com uma instrução ofegante e provocadora.

Teste primeiro no Playground

Abra a página da tarefa Qwen3 TTS e use a aba Playground:

1. Em Text, cole apenas as palavras que devem ser ouvidas (o roteiro de exemplo da página é um bom primeiro teste).
2. Escolha um nome em Voice (Serena por padrão).
3. Escreva a nota de leitura em Delivery instructions.
4. Deixe Language em Auto-detect, ou escolha inglês para um roteiro em inglês se a detecção for ambígua.
5. Execute e depois reproduza o resultado em Output e baixe o MP3.

Um adulto fictício depois de um encontro: Text "I had a good time tonight. More than I expected, actually. Call me tomorrow? I'd like to see you again.", Voice Serena, Delivery instructions "Quente e um pouco tímido, falando baixo com um único ouvinte adulto. Mantenha a pergunta final em tom de conversa." Não comece o texto com Serena: nem com "Read this in a soft voice"; os dois seriam lidos em voz alta. Experimente duas ou três vozes e notas aqui antes de escrever código; o preço aparece antes de você executar.

language aceita auto, zh, en, de, fr, es, it, pt, ru, ja e ko. Ele escolhe como o texto é lido; não traduz.

Depois chame pelo código

Instale o SDK Python (pip install spicyapi), defina SPICY_API_KEY no ambiente e execute:

import urllib.request
import uuid

from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="alibaba/qwen-3-tts/text-to-speech",
    input_data={
        "text": "I had a good time tonight. More than I expected, actually. Call me tomorrow? I'd like to see you again.",
        "voice_id": "Serena",
        "language": "en",
        "instructions": "Warm and slightly shy, speaking quietly to one adult listener. Keep the final question conversational.",
    },
    idempotency_key=str(uuid.uuid4()),  # new key per new request; reuse only to retry the same one
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"Task {task['taskId']} ended as {final['state']}")

urllib.request.urlretrieve(output_assets(final)[0]["url"], "voice-message.mp3")

A espera, as novas tentativas, os orçamentos e os erros estão na referência do SDK Python e no guia de tarefas assíncronas.

Ou deixe um Agent executar

Se um assistente deve dar voz às suas falas, dê a ele a CLI ou o servidor MCP. Os dois mostram o preço e pedem confirmação antes de uma chamada paga. O Skill acrescenta instruções por cima de qualquer um dos dois.

• CLI. spicyapi executa uma tarefa a partir de um terminal (npx @spicyapi/cli funciona sem instalar). Coloque o mesmo objeto input em input.json:

``bash spicyapi tasks create --model alibaba/qwen-3-tts/text-to-speech \ --input-file input.json --idempotency-key voice-message-take-1 --wait ``

• Servidor MCP. Adicione o servidor MCP ao seu assistente e pergunte: "Leia esta fala com Qwen3 TTS, Serena, quente e um pouco tímido." Ele chama spicyapi_task_create (que para para sua confirmação de preço) e depois spicyapi_task_wait.
• Skill. npx skills add spicyapi-ai/spicy-skill instala o Agent Skill, que ensina um assistente de programação a ler o esquema atual e a reutilizar chaves de idempotência. Ele não executa tarefas sozinho, então use-o com a CLI ou o MCP.

Direcione a mesma fala de três maneiras

Mantenha o texto e a voz fixos e mude apenas a nota. Para "I thought you'd forgotten":

Mude uma coisa por vez. "Remova o sussurro" ou "mais devagar após a primeira frase" corrige uma tomada; "mais emocional, mais humano" não. Se o resultado ficar dramático demais, encurte a nota para "Leitura conversacional natural."

Ele consegue ler um roteiro NSFW?

Os testes cobriram uma passagem adulta direta, uma passagem emoldurada como audiobook e uma passagem com muitas marcações de cena, usando Serena ou Ryan com instruções de leitura. As transcrições direta e de audiobook corresponderam ao roteiro palavra por palavra, vocabulário adulto incluído, e o texto das instruções nunca foi lido em voz alta.

A passagem com muitas marcações manteve o vocabulário adulto, mas desviou mais do roteiro por causa de vocalizações não verbais. Trate respirações e risadas como algo para testar, não para controlar: se uma cena depender de uma, gere aquele momento primeiro e não suponha que a sintaxe de colchetes ou parênteses de outro modelo funciona aqui.

Monte uma cena com dois personagens

Uma requisição entrega uma voz. Para dois adultos fictícios, gere cada turno separadamente:

Tutoriais de ComfyUI com vários falantes analisam nomes de falantes, pausas e sobreposições em um nó extra; essas tags não são campos de entrada aqui. Remova os nomes do texto falado, envie cada turno com seu próprio voice_id e depois ajuste as pausas no seu editor. Comece com uma pausa curta e mova o segundo clipe até a resposta soar natural. Colocar os dois nomes em um único campo text faz um preset ler os rótulos e as duas falas. Para roteirizar a conversa inteira e juntar os clipes automaticamente, veja o fluxo de diálogo do Seed Speech 2.0; o script de junção funciona com qualquer voz.

Para uma história longa de voz única, divida antes de 2.000 caracteres nos limites de frase ou parágrafo e reutilize a mesma voz e a mesma nota em cada trecho. Para substituir uma frase, regenere toda a frase ao redor e corte nas pausas vizinhas, para que volume e ritmo continuem casados.

A cobrança mínima pesa nas respostas curtas

O custo é max(text characters, 100) × $0.068 / 1,000, contando espaços e pontuação. As instruções são gratuitas.

Dez respostas separadas de 40 caracteres custam $0.068, embora os textos somem apenas 400 caracteres; uma requisição de 400 caracteres com a mesma voz custa $0.0272. Junte a narração contínua de uma mesma voz quando a sua edição permitir, mas não junte personagens diferentes para escapar do mínimo.

Corrija um resultado decepcionante

Se você precisa de clonagem de voz enviada ou conversa ao vivo, escolha uma tarefa que exponha isso; para comparar outros modelos de voz para roteiros adultos, veja nossa comparação de APIs de texto para voz.