Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS Plus ist ein Text-zu-Sprache-Modell von Qwen, der Modellfamilie von Alibaba. Es gehört zur Kategorie Sprache und wird als das hochwertigere Text-zu-Sprache-Modell von Alibaba beschrieben, das über der Standardstufe derselben Reihe positioniert ist. Es erzeugt gesprochenes Audio aus Text und wird normalerweise über die DashScope Speech Synthesizer API auf der Seite von Alibaba erreicht. Es wurde vom Anbieter am 2026-07-23 veröffentlicht.

Das Modell nimmt Text als einzige Eingabe und liefert Sprache als einzige Ausgabe. Es gibt keine Bild-, Audio- oder Videoeingabe, daher kann es weder eine Stimme aus einer Probe klonen noch irgendetwas transkribieren; es liest geschriebenen Text laut vor. Zwei Stimmen sind verfügbar, longanlingxin und longanlufeng, und Sie wählen eine davon aus, wenn Sie eine Anfrage stellen. Für dieses Modell wird keine Kontextlänge veröffentlicht, daher betrachten Sie die Textmenge, die Sie in einem einzelnen Aufruf senden können, als nicht spezifiziert und teilen Sie lange Dokumente in kleinere Abschnitte auf, wenn Sie auf Nummer sicher gehen wollen.

Da die Eingabe Text und die Ausgabe Audio ist, sind die naheliegenden Verwendungen Narration und Wiedergabe. Sie können Artikel, Dokumentationen oder Wissensdatenbank-Einträge in hörbare Versionen umwandeln, Voiceovers für Videos und Produktvorführungen erzeugen, gesprochene Aufforderungen oder Bestätigungen in einer Anwendung ausgeben oder Barrierefreiheitsfunktionen erstellen, die Bildschirminhalte für Nutzer vorlesen, die Audio bevorzugen. Überall dort, wo Sie Text haben, den eine Person lieber hören als lesen würde, ist dieses Modell ein Kandidat.

Auf api14 rufen Sie das Modell über die OpenAI-kompatible API mit der Modell-ID qwen/qwen-audio-3.0-tts-plus auf, was bedeutet, dass bestehende OpenAI SDKs und Clients mit einer Änderung der Basis-URL und der Modellzeichenfolge funktionieren. Sie übergeben den zu sprechenden Text und wählen eine der beiden Stimmen. Das Modell bietet in diesem Listing keine einstellbaren Parameter, daher gibt es keine Temperatur, top_p oder ähnliche Sampling-Steuerung zum Einstellen, und es wird keine maximale Ausgabelänge veröffentlicht. Über den Text und die Stimmauswahl hinaus sind die Generierungseinstellungen vom Anbieter festgelegt.

Wenn Ihre Aufgabe nicht darin besteht, Sprache aus Text zu erzeugen, passt ein anderes Modell besser. Spracherkennung, Stimmklonen aus einem Referenzclip und Audiobearbeitung liegen außerhalb dessen, was dieses Modell tut, da es nur Text akzeptiert und nur Sprache ausgibt. Dasselbe gilt, wenn Sie eine feine Kontrolle über die Prosodie durch Sampling-Parameter benötigen, denn hier sind keine aufgeführt.