Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS Plus adalah model text-to-speech dari Qwen, keluarga model milik Alibaba. Model ini berada dalam kategori speech dan dideskripsikan sebagai model text-to-speech Alibaba dengan kualitas lebih tinggi, diposisikan di atas tier standar dari lini yang sama. Model ini menghasilkan audio lisan dari teks dan biasanya diakses melalui DashScope Speech Synthesizer API di sisi Alibaba. Model ini dirilis oleh provider pada 2026-07-23.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan speech sebagai satu-satunya output. Tidak ada input gambar, audio, atau video, sehingga model ini tidak dapat mengkloning suara dari sampel atau mentranskripsikan apa pun; model ini membacakan teks tertulis dengan lantang. Tersedia dua voice, longanlingxin dan longanlufeng, dan Anda memilih salah satunya saat membuat permintaan. Tidak ada context length yang dipublikasikan untuk model ini, jadi anggap jumlah teks yang dapat Anda kirim dalam satu panggilan sebagai tidak ditentukan dan pecah dokumen panjang menjadi potongan yang lebih kecil jika Anda perlu aman.

Karena inputnya adalah teks dan outputnya adalah audio, penggunaan yang jelas adalah narasi dan pemutaran. Anda dapat mengubah artikel, dokumentasi, atau entri basis pengetahuan menjadi versi yang dapat didengarkan, menghasilkan voiceover untuk video dan product walkthrough, menghasilkan prompt atau konfirmasi lisan di dalam aplikasi, atau membangun fitur aksesibilitas yang membacakan konten di layar kepada pengguna yang lebih memilih audio. Di mana pun Anda memiliki teks yang lebih ingin didengar daripada dibaca oleh seseorang, model ini adalah kandidatnya.

Di api14 Anda memanggil model ini melalui API yang kompatibel dengan OpenAI menggunakan model id qwen/qwen-audio-3.0-tts-plus, yang berarti SDK dan klien OpenAI yang sudah ada dapat bekerja dengan mengganti base URL dan string model. Anda memberikan teks yang akan diucapkan dan memilih salah satu dari dua voice. Model ini tidak mengekspos parameter yang dapat disetel dalam listing ini, jadi tidak ada temperature, top_p, atau kontrol sampling serupa untuk diatur, dan tidak ada panjang output maksimum yang dipublikasikan. Selain teks dan pilihan voice, pengaturan generasi ditetapkan oleh provider.

Jika tugas Anda bukan menghasilkan speech dari teks, model lain akan lebih cocok. Pengenalan speech, kloning suara dari klip referensi, dan pengeditan audio berada di luar apa yang dilakukan model ini, karena model ini hanya menerima teks dan hanya mengeluarkan speech. Hal yang sama berlaku jika Anda memerlukan kontrol halus atas prosodi melalui parameter sampling, karena tidak ada yang tercantum di sini.