Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS Plus es un modelo de texto a voz de Qwen, la familia de modelos de Alibaba. Se ubica en la categoría de voz y se describe como el modelo de texto a voz de mayor calidad de Alibaba, situado por encima del nivel estándar de la misma línea. Genera audio hablado a partir de texto y normalmente se accede a él a través de la API DashScope Speech Synthesizer del lado de Alibaba. Fue lanzado por el proveedor el 2026-07-23.

El modelo toma texto como su única entrada y devuelve voz como su única salida. No hay entrada de imagen, audio o video, por lo que no puede clonar una voz a partir de una muestra ni transcribir nada; lee texto escrito en voz alta. Hay dos voces disponibles, longanlingxin y longanlufeng, y se selecciona una al hacer una solicitud. No se publica una longitud de contexto para este modelo, así que considere la cantidad de texto que puede enviar en una sola llamada como no especificada y divida los documentos largos en fragmentos más pequeños si necesita estar seguro.

Debido a que la entrada es texto y la salida es audio, los usos obvios son la narración y la reproducción. Puede convertir artículos, documentación o entradas de bases de conocimiento en versiones escuchables, generar locuciones para videos y recorridos de productos, producir indicaciones habladas o confirmaciones en una aplicación, o crear funciones de accesibilidad que lean el contenido en pantalla a usuarios que prefieren el audio. En cualquier lugar donde tenga texto que una persona prefiera escuchar en lugar de leer, este modelo es un candidato.

En api14 se llama al modelo a través de la API compatible con OpenAI usando el id de modelo qwen/qwen-audio-3.0-tts-plus, lo que significa que los SDK y clientes de OpenAI existentes funcionan con un cambio de URL base y de cadena de modelo. Usted proporciona el texto que se va a pronunciar y elige una de las dos voces. El modelo no expone parámetros ajustables en este listado, por lo que no hay temperatura, top_p ni un control de muestreo similar para configurar, y no se publica una longitud máxima de salida. Más allá del texto y la elección de voz, los ajustes de generación los fija el proveedor.

Si su tarea no es producir voz a partir de texto, otro modelo encajará mejor. El reconocimiento de voz, la clonación de voz a partir de un clip de referencia y la edición de audio quedan fuera de lo que hace este modelo, ya que acepta solo texto y emite solo voz. Lo mismo se aplica si necesita un control fino de la prosodia mediante parámetros de muestreo, porque aquí no se lista ninguno.