Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS Plus est un modèle de synthèse vocale de Qwen, la famille de modèles d'Alibaba. Il appartient à la catégorie vocale et est décrit comme le modèle de synthèse vocale de qualité supérieure d'Alibaba, positionné au-dessus du niveau standard de la même gamme. Il génère de l'audio parlé à partir de texte et est normalement accessible via l'API DashScope Speech Synthesizer du côté d'Alibaba. Il a été publié par le fournisseur le 2026-07-23.

Le modèle prend le texte comme seule entrée et renvoie la parole comme seule sortie. Il n'y a pas d'entrée image, audio ou vidéo, il ne peut donc pas cloner une voix à partir d'un échantillon ni transcrire quoi que ce soit ; il lit le texte écrit à voix haute. Deux voix sont disponibles, longanlingxin et longanlufeng, et vous en sélectionnez une lorsque vous faites une requête. Aucune longueur de contexte n'est publiée pour ce modèle, considérez donc la quantité de texte que vous pouvez envoyer en un seul appel comme non spécifiée et découpez les documents longs en morceaux plus petits si vous voulez être prudent.

Comme l'entrée est du texte et la sortie de l'audio, les usages évidents sont la narration et la lecture. Vous pouvez transformer des articles, de la documentation ou des entrées de base de connaissances en versions écoutables, générer des voix off pour des vidéos et des présentations de produits, produire des invites parlées ou des confirmations dans une application, ou créer des fonctionnalités d'accessibilité qui lisent le contenu à l'écran aux utilisateurs qui préfèrent l'audio. Partout où vous avez du texte qu'une personne préférerait entendre plutôt que lire, ce modèle est un candidat.

Sur api14, vous appelez le modèle via l'API compatible OpenAI en utilisant l'identifiant de modèle qwen/qwen-audio-3.0-tts-plus, ce qui signifie que les SDK et clients OpenAI existants fonctionnent avec un changement d'URL de base et de chaîne de modèle. Vous fournissez le texte à prononcer et choisissez l'une des deux voix. Le modèle n'expose aucun paramètre réglable dans cette fiche, il n'y a donc pas de température, de top_p ou de contrôle d'échantillonnage similaire à définir, et aucune longueur de sortie maximale n'est publiée. Au-delà du texte et du choix de la voix, les paramètres de génération sont fixés par le fournisseur.

Si votre tâche ne consiste pas à produire de la parole à partir de texte, un autre modèle conviendra mieux. La reconnaissance vocale, le clonage de voix à partir d'un clip de référence et le montage audio sortent du cadre de ce modèle, puisqu'il accepte uniquement du texte et émet uniquement de la parole. Il en va de même si vous avez besoin d'un contrôle fin de la prosodie via des paramètres d'échantillonnage, car aucun n'est listé ici.