Qwen3 TTS для голосов взрослых персонажей: пресеты, инструкции и цена

Голосовое сообщение вымышленного персонажа работает, когда голос совпадает с человеком, а подача — с моментом. Qwen3 TTS превращает сценарий взрослого персонажа в один MP3 с одним голосом, а подачу вы направляете обычной заметкой. В задаче SpicyAPI девять заданных голосов, стоимость — $0,068 за 1 000 символов текста, минимум 100 символов на запрос. По нашим тестам сентября 2026 года откровенная лексика для взрослых в прямых отрывках и в стилистике аудиокниги читалась дословно. Используйте её для записанных голосовых сообщений и закадровой озвучки; на этом маршруте нет ни клонирования голоса, ни прямого эфира.

Что входит в размещённую задачу

Выберите пресет и сгенерируйте на странице задачи Qwen3 TTS. Репозиторий команды Qwen описывает также варианты CustomVoice, Base (клонирование) и VoiceDesign. Это отдельные предложения: аргумент ref_audio или speaker библиотеки здесь не является вводом, поле голоса — voice_id.

Подберите голос под свой сценарий

Каждый пресет читает любой поддерживаемый язык, но команда Qwen рекомендует родной язык голоса для лучшего качества. Для мужского персонажа, говорящего по-английски, начните с Ryan или Aiden. Для женского персонажа на английском попробуйте Serena или Vivian; в наборе нет женского голоса с английским родным языком, поэтому прослушайте его до того, как решите.

Прослушайте пример голосового сообщения голосом Serena: ночная записка «позвони мне», прочитанная с запыханной, кокетливой инструкцией.

Сначала попробуйте в Playground

Откройте страницу задачи Qwen3 TTS и используйте вкладку Playground:

1. В поле Text вставьте только те слова, которые нужно услышать (пример сценария на странице — хороший первый тест).
2. Выберите имя в Voice (по умолчанию Serena).
3. Напишите заметку о подаче в Delivery instructions.
4. Оставьте Language на Auto-detect или выберите английский для английского сценария, если определение неоднозначно.
5. Запустите, затем прослушайте результат в Output и скачайте MP3.

Вымышленная взрослая после свидания: 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 «Тепло и немного застенчиво, негромко, обращаясь к одному взрослому слушателю. Последний вопрос оставьте в разговорном тоне». Не начинайте текст с Serena: или с «Read this in a soft voice»: оба варианта будут произнесены. Прослушайте здесь два-три голоса и заметки, прежде чем писать код; цена показывается до запуска.

language принимает auto, zh, en, de, fr, es, it, pt, ru, ja и ko. Он определяет, как читается ваш текст; он не переводит.

Затем вызовите из кода

Установите Python SDK (pip install spicyapi), задайте SPICY_API_KEY в окружении и выполните:

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")

Ожидание, повторы, расценки и ошибки описаны в справочнике Python SDK и в руководстве по асинхронным задачам.

Или пусть это выполнит Agent

Если помощник должен озвучивать ваши реплики, дайте ему CLI или MCP-сервер. Оба показывают цену и просят подтвердить перед платным вызовом. Skill добавляет инструкции поверх любого из них.

• CLI. spicyapi выполняет одну задачу из терминала (npx @spicyapi/cli работает без установки). Положите тот же объект input в 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 ``

• MCP-сервер. Добавьте MCP-сервер помощнику и спросите: «Прочитай эту реплику голосом Qwen3 TTS, Serena, тепло и немного застенчиво». Он вызывает spicyapi_task_create (который останавливается для подтверждения цены), затем spicyapi_task_wait.
• Skill. npx skills add spicyapi-ai/spicy-skill устанавливает Agent Skill, который учит помощника по программированию читать актуальную схему и переиспользовать ключи идемпотентности. Сам он задачи не выполняет, поэтому используйте его с CLI или MCP.

Направьте одну и ту же реплику тремя способами

Оставьте текст и голос, меняйте только заметку. Для «I thought you'd forgotten»:

Меняйте по одному. «Уберите шёпот» или «медленнее после первого предложения» чинит дубль, а «эмоциональнее, человечнее» — нет. Если результат слишком театральный, сократите заметку до «Естественная разговорная подача.»

Может ли он прочитать NSFW-сценарий?

Тесты охватили прямой фрагмент для взрослых, фрагмент в обрамлении аудиокниги и фрагмент с обилием ремарок, используя Serena или Ryan с указаниями подачи. Прямая и аудиокнижная расшифровки совпали со сценарием слово в слово, включая лексику для взрослых, а текст указаний ни разу не прозвучал.

Фрагмент с обилием ремарок сохранил лексику для взрослых, но сильнее отклонился от сценария из-за несловесных вокализаций. Относитесь к дыханию и смеху как к тому, что стоит прослушать, а не контролировать: если от этого зависит сцена, сначала сгенерируйте этот момент и не рассчитывайте, что синтаксис квадратных или круглых скобок другой модели здесь сработает.

Сделайте сцену на двух персонажей

Один запрос — один голос. Для двух вымышленных взрослых генерируйте каждую реплику отдельно:

Руководства ComfyUI по нескольким говорящим разбирают имена говорящих, паузы и наложения в отдельном узле; эти теги здесь не являются полями ввода. Уберите имена из произносимого текста, отправьте каждую реплику со своим voice_id, а паузы расставьте в монтажёре. Начните с короткой паузы и двигайте второй клип, пока ответ не станет естественным. Если поместить оба имени в одно поле text, один пресет прочитает и подписи, и обе реплики. Чтобы прописать весь диалог и собрать клипы автоматически, посмотрите рабочий процесс диалога Seed Speech 2.0; его скрипт склейки работает с любым голосом.

Для длинной истории одним голосом делите текст до 2 000 символов по границам предложений или абзацев и повторяйте один и тот же голос и заметку для каждого фрагмента. Чтобы заменить фразу, перегенерируйте всё окружающее предложение и режьте по соседним паузам — тогда громкость и темп совпадут.

Минимальная оплата важна для коротких ответов

Стоимость — max(text characters, 100) × $0.068 / 1,000, пробелы и знаки препинания считаются. Указания бесплатны.

Десять отдельных ответов по 40 символов стоят $0,068, хотя их тексты вместе дают всего 400 символов; один запрос на 400 символов тем же голосом стоит $0,0272. Объединяйте слитную закадровую речь одного голоса, когда это допускает монтаж, но не объединяйте разных персонажей ради обхода минимума.

Исправьте разочаровывающий результат

Если нужно клонирование загруженного голоса или живой разговор, выберите задачу, которая это предоставляет; чтобы сравнить другие речевые модели для сценариев для взрослых, посмотрите наше сравнение API синтеза речи.