Pular para o conteúdo principal

Qwen3 TTS API

Sem censura — Este modelo declara não aplicar filtro de conteúdo. A SpicyAPI encaminha a solicitação sem adicionar uma análise de conteúdo da plataforma; as obrigações legais e de consentimento continuam com o cliente.Ver todos os modelos com esse nível de filtragem
alibaba/qwen-3-tts/text-to-speech

O Qwen3 TTS é o modelo de text-to-speech de código aberto da Alibaba: envie um roteiro, escolha uma de nove vozes prontas e receba um MP3 mono de 24 kHz. Instruções em linguagem simples definem tom, emoção ou ritmo, e é possível indicar o idioma.

A partir de $0.068/1.000 caracteres
Executar modelo

Playground

Entrada

Texto para fala
119/2000
As palavras a serem faladas, exatamente como escritas. Cobrado a cada 1.000 caracteres, com um mínimo de 100 por solicitação. Até 2.000 caracteres. pelo menos 1 caracteres · no máximo 2000 caracteres

119 caracteres

Uma das nove vozes prontas. Padrão: Serena.
48/1000
Direção em linguagem simples sobre tom, emoção ou ritmo. Molda a interpretação e não é falado. Até 1.000 caracteres; não é cobrado. no máximo 1000 caracteres

Nunca é lido em voz alta. Só define como o roteiro é interpretado.

Idioma da leitura. auto detecta a partir do roteiro.
Filtro de segurançaDesligado

A SpicyAPI não executa filtro de segurança neste modelo. Seu prompt e suas mídias chegam ao modelo exatamente como você os enviou, e o próprio modelo decide o resultado.

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução
Resultado de exemplo
0:00 / –:––
Avatar
Fala para texto
Sincronia labial

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

Nove vozes. Você dirige.

O Qwen3 TTS é o modelo de texto para fala de código aberto da Alibaba: você envia até 2.000 caracteres de texto, escolhe uma das nove vozes predefinidas e, se quiser, adiciona uma frase com instruções em linguagem simples sobre tom, emoção ou ritmo. O modelo detecta o idioma automaticamente ou você define um dos dez você mesmo, incluindo duas vozes com dialetos chineses. A cobrança é feita a cada 1.000 caracteres do texto enviado, com um mínimo de 100 caracteres por solicitação, então a cotação mostrada antes da execução é exatamente o valor cobrado. A SpicyAPI não aplica nenhum filtro de conteúdo, e em nossos testes nossos roteiros de teste mais intensos foram lidos por completo.

Abrir o playground
Nove vozes. Você dirige.
Vozes
9 predefinidas, incluindo duas com dialeto chinês
Idiomas
10, detectados automaticamente ou definidos em language
Caracteres por solicitação
Até 2.000; cobrança a cada 1.000, mínimo 100
Saída
MP3 mono de 24 kHz
Preço
US$ 0,068 a cada 1.000 caracteres, cotação final
Filtro de conteúdo
Nenhum — nossos roteiros de teste mais intensos foram lidos por completo
Vozes
Nove personagens fixos, dois deles com dialetoEscolha uma voz por personagem e reutilize seu voice_id. Ouça vários clipes antes de publicar: uma voz predefinida não garante uma interpretação idêntica em cada solicitação.
Direção
Notas de direção, não controles numéricosDescreva brevemente o tom, a emoção ou o ritmo em instructions. Essas orientações não são lidas em voz alta nem entram na contagem de caracteres cobrados. Cada geração concluída é cobrada separadamente pelo tamanho do roteiro, mesmo que você reutilize as mesmas palavras.
Cobrança
A cotação antes da execução é o preço finalO número de caracteres já é conhecido no momento do envio da solicitação, então a cotação exibida corresponde exatamente ao valor cobrado — sem recontagem nem arredondamento depois de receber o áudio. Uma solicitação abaixo do mínimo de 100 caracteres ainda assim é cobrada como 100.

O que a API do Qwen3 TTS oferece

  • Nove vozes predefinidas para seus personagens

    Reutilize o mesmo voice_id e envie instructions em cada solicitação. Ouça os clipes juntos para conferir tom, ritmo e pronúncia.

  • Direção em linguagem simples em vez de ajuste de parâmetros

    O campo instructions se lê como um recado para um dublador: 'ofegante e provocante, perto do microfone' ou 'plano, cansado, como quem lê um roteiro'. Ele molda tom, emoção e ritmo sem expor controles separados de altura ou velocidade, e não custa nada a mais.

  • Dez idiomas em um único campo

    O campo language vem por padrão como auto, que detecta o idioma a partir do próprio roteiro, então um catálogo misto de falas em inglês, espanhol e japonês não precisa de uma tabela de roteamento por idioma. Definir o campo manualmente serve para o caso de um roteiro curto ou multilíngue ser lido no idioma errado.

  • Vozes nativas de idioma e dialeto

    Dylan e Eric leem em dialeto de Pequim e de Sichuan, não numa aproximação com sotaque padrão, e Ono_Anna e Sohee são falantes nativas de japonês e coreano. Para uma fala que precisa soar local, e não apenas traduzida, a escolha da voz já resolve parte do trabalho.

  • Um preço que você calcula antes de enviar a solicitação

    A cobrança é linear a cada 1.000 caracteres de texto, com mínimo de 100, e instructions não entra na contagem de forma alguma. Como o número de caracteres já é conhecido de antemão, a estimativa mostrada no console corresponde ao valor cobrado — nada para conciliar depois de receber o áudio.

  • Roteiros sem filtro lidos como escritos

    A SpicyAPI não adiciona nenhum filtro de conteúdo sobre o modelo. Em nossos testes, o Qwen3 TTS leu palavra por palavra nossos roteiros de teste mais intensos, tanto falas em primeira pessoa quanto narração, sem pular ou suavizar nada — o que importa para ficção de áudio sem censura e produtos de voz de companhia, onde uma fala filtrada quebra a cena.

Para quem é o Qwen3 TTS

  • Uma voz para várias falas

    Apps de personagens e companhia

    Uma voz para várias falas

    Reutilize o mesmo voice_id e envie instructions em cada solicitação. Ouça os clipes juntos para conferir tom, ritmo e pronúncia.

  • Um único endpoint para um catálogo com idiomas misturados

    Equipes de conteúdo multilíngue

    Um único endpoint para um catálogo com idiomas misturados

    A detecção automática de idioma faz um roteiro em japonês, depois um em espanhol, depois uma frase mista, passarem pela mesma chamada sem uma tabela de roteamento na frente. Ono_Anna e Sohee dão às falas em japonês e coreano uma leitura de som nativo em vez de sotaque.

  • Narração que não para no meio de uma cena

    Produtores de audiolivros e ficção

    Narração que não para no meio de uma cena

    Em nossos testes, nossos monólogos e roteiros de narração mais intensos foram lidos por completo, palavra por palavra. Para editoras cujo catálogo inclui esse tipo de material, uma narração que continua durante a cena é o que torna o fluxo de trabalho utilizável.

  • Uma trilha de voz antes da imagem

    Criadores de vídeo e formato curto

    Uma trilha de voz antes da imagem

    Gere a fala aqui como MP3 e depois entregue-a a um modelo de talking-avatar ou lip-sync para que um rosto a interprete, ou coloque-a direto na timeline de um vídeo. O preço a cada 1.000 caracteres mantém comparável o custo por palavra entre uma legenda curta e uma narração longa.

Como usar a API do Qwen3 TTS

  1. Escreva o roteiro em text

    Até 2.000 caracteres, com a pontuação que dá o ritmo desejado. Tudo abaixo de 100 caracteres é cobrado como 100, então uma fala curta não precisa ser esticada por causa do custo, mas também não sairá mais barata que uma de 100 caracteres.

  2. Escolha um voice_id

    Nove predefinições estão disponíveis, com Serena como padrão, uma voz feminina jovem e calorosa. Ryan e Aiden são vozes masculinas em inglês, Dylan e Eric leem em dialeto de Pequim e de Sichuan, e Ono_Anna e Sohee são vozes nativas em japonês e coreano.

  3. Adicione instructions se a interpretação precisar de direção

    Uma ou duas frases em linguagem simples — tom, emoção, ritmo — guiam a leitura. O campo é opcional, não é lido em voz alta e não aumenta o custo.

  4. Defina language só quando o auto errar

    Deixe language em auto para a maioria dos roteiros; o modelo detecta o idioma a partir do texto. Defina-o explicitamente para um roteiro curto ou multilíngue, onde a detecção automática tem pouco texto para trabalhar.

  5. Confira a cotação e depois leia o MP3 no resultado

    A cotação mostrada antes da execução é o preço final, já que o número de caracteres já é conhecido. A tarefa retorna um arquivo MP3 mono de 24 kHz, mantido no armazenamento da SpicyAPI por 14 dias.

Exemplos práticos com Qwen3 TTS

  • Um personagem de companhia com voz fixa

    Reutilize voice_id e instructions em cada fala e ouça os clipes juntos antes de publicar.

    {"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"}

  • Uma fala em coreano lida por uma voz nativa

    Definir voice_id como Sohee dá a um roteiro em coreano uma leitura de som nativo em vez de sotaque.

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

  • Uma nota de voz de madrugada

    Uma fala curta de tom pessoal com uma nota de direção, com a voz padrão de Serena.

    {"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"}

Perguntas sobre a API do Qwen3 TTS

Escolha um voice_id para cada personagem e mantenha-o ao longo da série. Em instructions, escreva uma orientação curta e concreta sobre clima e ritmo. A orientação em si não é cobrada, mas cada geração concluída é. Deixe language em auto, a menos que uma fala curta ou ambígua seja detectada incorretamente. Ouça cada resultado antes de publicar.