Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS Plus è un modello text-to-speech di Qwen, la famiglia di modelli di Alibaba. Si colloca nella categoria speech ed è descritto come il modello text-to-speech di qualità superiore di Alibaba, posizionato al di sopra del tier standard della stessa linea. Genera audio parlato a partire dal testo e normalmente si raggiunge tramite la DashScope Speech Synthesizer API sul lato Alibaba. È stato rilasciato dal provider il 2026-07-23.

Il modello accetta testo come unico input e restituisce parlato come unico output. Non ci sono input di immagini, audio o video, quindi non può clonare una voce da un campione né trascrivere alcunché; legge ad alta voce il testo scritto. Sono disponibili due voci, longanlingxin e longanlufeng, e se ne sceglie una quando si effettua una richiesta. Non è pubblicata alcuna lunghezza di contesto per questo modello, quindi considera non specificata la quantità di testo che puoi inviare in una singola chiamata e suddividi i documenti lunghi in blocchi più piccoli se vuoi andare sul sicuro.

Poiché l'input è testo e l'output è audio, gli usi più ovvi sono la narrazione e la riproduzione. Puoi trasformare articoli, documentazione o voci di knowledge base in versioni ascoltabili, generare voiceover per video e walkthrough di prodotto, produrre prompt parlati o conferme in un'applicazione, oppure creare funzionalità di accessibilità che leggono il contenuto sullo schermo agli utenti che preferiscono l'audio. Ovunque tu abbia testo che una persona preferirebbe ascoltare invece di leggere, questo modello è un candidato.

Su api14 chiami il modello tramite l'API compatibile con OpenAI usando il model id qwen/qwen-audio-3.0-tts-plus, il che significa che gli SDK e i client OpenAI esistenti funzionano con un cambio di base URL e della stringa del modello. Fornisci il testo da pronunciare e scegli una delle due voci. Il modello non espone parametri regolabili in questo elenco, quindi non c'è temperatura, top_p o controllo di campionamento simile da impostare, e non è pubblicata alcuna lunghezza massima di output. Oltre al testo e alla scelta della voce, le impostazioni di generazione sono fisse a cura del provider.

Se il tuo compito non è produrre parlato a partire dal testo, un altro modello sarà più adatto. Il riconoscimento vocale, la clonazione della voce da una clip di riferimento e l'editing audio sono al di fuori di ciò che fa questo modello, poiché accetta solo testo ed emette solo parlato. Lo stesso vale se hai bisogno di un controllo fine della prosodia tramite parametri di campionamento, perché qui non ne è elencato nessuno.