Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS Plus to model zamiany tekstu na mowę od Qwen, rodziny modeli Alibaby. Należy do kategorii mowy i jest opisywany jako model zamiany tekstu na mowę Alibaby o wyższej jakości, pozycjonowany powyżej standardowego poziomu tej samej linii. Generuje mowę z tekstu i jest normalnie dostępny przez DashScope Speech Synthesizer API po stronie Alibaby. Został wydany przez dostawcę 2026-07-23.

Model przyjmuje tekst jako jedyne wejście i zwraca mowę jako jedyne wyjście. Nie ma wejścia obrazu, dźwięku ani wideo, więc nie może klonować głosu z próbki ani niczego transkrybować; odczytuje zapisany tekst na głos. Dostępne są dwa głosy, longanlingxin i longanlufeng, a wybierasz jeden z nich podczas wysyłania żądania. Dla tego modelu nie opublikowano długości kontekstu, więc ilość tekstu, jaką można wysłać w pojedynczym wywołaniu, należy traktować jako nieokreśloną, a długie dokumenty podzielić na mniejsze fragmenty, jeśli chcesz być bezpieczny.

Ponieważ wejściem jest tekst, a wyjściem dźwięk, oczywiste zastosowania to narracja i odtwarzanie. Możesz zamieniać artykuły, dokumentację lub wpisy bazy wiedzy na wersje do słuchania, generować lektora do filmów i prezentacji produktów, tworzyć wypowiadane podpowiedzi lub potwierdzenia w aplikacji albo budować funkcje dostępności, które czytają treść na ekranie użytkownikom preferującym dźwięk. Wszędzie tam, gdzie masz tekst, który ktoś wolałby usłyszeć niż przeczytać, ten model jest kandydatem.

Na api14 wywołujesz model przez API zgodne z OpenAI, używając identyfikatora modelu qwen/qwen-audio-3.0-tts-plus, co oznacza, że istniejące zestawy SDK i klienty OpenAI działają po zmianie bazowego adresu URL i ciągu modelu. Podajesz tekst do wypowiedzenia i wybierasz jeden z dwóch głosów. Model nie udostępnia w tym wykazie żadnych regulowanych parametrów, więc nie ma temperatury, top_p ani podobnej kontroli próbkowania do ustawienia, a maksymalna długość wyjścia nie została opublikowana. Poza tekstem i wyborem głosu ustawienia generowania są ustalone przez dostawcę.

Jeśli twoje zadanie nie polega na tworzeniu mowy z tekstu, lepiej pasować będzie inny model. Rozpoznawanie mowy, klonowanie głosu z klipu referencyjnego i edycja dźwięku są poza tym, co robi ten model, ponieważ przyjmuje wyłącznie tekst i emituje wyłącznie mowę. To samo dotyczy sytuacji, gdy potrzebujesz precyzyjnej kontroli nad prozodią przez parametry próbkowania, ponieważ żadne nie są tu wymienione.