Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS Plus är en text-till-tal-modell från Qwen, Alibabas modellfamilj. Den tillhör kategorin tal och beskrivs som Alibabas text-till-tal-modell med högre kvalitet, placerad ovanför standardnivån i samma serie. Den genererar talat ljud från text och nås normalt via DashScope Speech Synthesizer API på Alibabas sida. Den släpptes av leverantören 2026-07-23.

Modellen tar text som enda indata och returnerar tal som enda utdata. Det finns ingen bild-, ljud- eller videoindata, så den kan inte klona en röst från ett prov eller transkribera något; den läser skriven text högt. Två röster är tillgängliga, longanlingxin och longanlufeng, och du väljer en när du gör en begäran. Ingen kontextlängd publiceras för denna modell, så betrakta mängden text du kan skicka i ett enda anrop som ospecificerad och dela upp långa dokument i mindre delar om du vill vara säker.

Eftersom indata är text och utdata är ljud är de uppenbara användningsområdena uppläsning och uppspelning. Du kan omvandla artiklar, dokumentation eller kunskapsbasposter till lyssningsbara versioner, generera voiceovers för videor och produktgenomgångar, producera talade uppmaningar eller bekräftelser i en applikation, eller bygga tillgänglighetsfunktioner som läser upp innehåll på skärmen för användare som föredrar ljud. Överallt där du har text som en person hellre vill höra än läsa är denna modell en kandidat.

På api14 anropar du modellen via det OpenAI-kompatibla API:et med modell-id qwen/qwen-audio-3.0-tts-plus, vilket innebär att befintliga OpenAI-SDK:er och klienter fungerar med en ändring av bas-URL och modellsträng. Du anger texten som ska läsas upp och väljer en av de två rösterna. Modellen exponerar inga justerbara parametrar i denna lista, så det finns ingen temperatur, top_p eller liknande samplingskontroll att ställa in, och ingen maximal utdatalängd publiceras. Utöver texten och röstvalet är genereringsinställningarna fastställda av leverantören.

Om din uppgift inte är att producera tal från text passar en annan modell bättre. Taligenkänning, röstkloning från ett referensklipp och ljudredigering ligger utanför vad denna modell gör, eftersom den endast accepterar text och endast avger tal. Samma sak gäller om du behöver fin kontroll över prosodi via samplingsparametrar, eftersom inga listas här.