Qwen: Qwen-Audio-3.0-TTS Plus

O Qwen-Audio-3.0-TTS Plus é um modelo de conversão de texto em fala da Qwen, a família de modelos da Alibaba. Situa-se na categoria de fala e é descrito como o modelo de conversão de texto em fala de maior qualidade da Alibaba, posicionado acima do nível padrão da mesma linha. Gera áudio falado a partir de texto e é normalmente acedido através da API DashScope Speech Synthesizer do lado da Alibaba. Foi lançado pelo fornecedor em 2026-07-23.

O modelo recebe texto como única entrada e devolve fala como única saída. Não há entrada de imagem, áudio ou vídeo, pelo que não consegue clonar uma voz a partir de uma amostra nem transcrever nada; lê texto escrito em voz alta. Estão disponíveis duas vozes, longanlingxin e longanlufeng, e o utilizador escolhe uma ao fazer um pedido. Não é publicada qualquer extensão de contexto para este modelo, pelo que deve considerar a quantidade de texto que pode enviar numa única chamada como não especificada e dividir documentos longos em partes mais pequenas, por precaução.

Como a entrada é texto e a saída é áudio, os usos óbvios são narração e reprodução. Pode transformar artigos, documentação ou entradas de bases de conhecimento em versões audíveis, gerar locuções para vídeos e demonstrações de produtos, produzir avisos ou confirmações falados numa aplicação, ou criar funcionalidades de acessibilidade que leiam conteúdo no ecrã para utilizadores que preferem áudio. Em qualquer situação em que tenha texto que uma pessoa prefira ouvir em vez de ler, este modelo é um candidato.

Na api14, chama o modelo através da API compatível com OpenAI utilizando o id de modelo qwen/qwen-audio-3.0-tts-plus, o que significa que os SDKs e clientes OpenAI existentes funcionam com uma alteração do URL base e da string do modelo. Fornece o texto a ser falado e escolhe uma das duas vozes. O modelo não expõe parâmetros ajustáveis nesta listagem, pelo que não há temperature, top_p ou controlo de amostragem semelhante a definir, e não é publicada qualquer extensão máxima de saída. Para além do texto e da escolha da voz, as definições de geração são fixadas pelo fornecedor.

Se a sua tarefa não for produzir fala a partir de texto, outro modelo será mais adequado. Reconhecimento de fala, clonagem de voz a partir de um clipe de referência e edição de áudio estão fora do que este modelo faz, uma vez que aceita apenas texto e emite apenas fala. O mesmo se aplica se precisar de controlo fino sobre a prosódia através de parâmetros de amostragem, porque não está aqui listado nenhum.