Qwen-Audio 3.0 TTS Plus: Ein Sprachsynthesemodell für E-Commerce-Vertonung

Qwen-Audio 3.0 TTS Plus ist ein Text-zu-Sprache-Modell, kein Bildgenerator – wenn du also hier bist, um KI-Produktbilder zu finden, brauchst du eigentlich ein Bildmodell wie GPT Image 2. Was dieses Modell wirklich gut kann, ist, ein fertiges Skript in Sekundenschnelle in eine saubere Vertonung zu verwandeln – und genau das brauchen die meisten E-Commerce-Teams tatsächlich an Audio: Produktvideo-Off-Sprecher, Werbesprachaufnahmen und grenzüberschreitende Produkttexte, bei denen die Sprache mitten im Satz wechselt. Im Folgenden findest du zwei echte Vertonungen, die wir über den /v1/tasks-Endpunkt von HiAPI erzeugt haben, dazu die Schnittstellenstruktur, die Preise und eine Workflow-Beschreibung zur Integration in den Produktlistungsprozess.

Wofür E-Commerce-Teams TTS eigentlich einsetzen

Die meisten Shops brauchen keinen festangestellten Synchronsprecher – sie brauchen eine schnelle, wiederholbare Möglichkeit, kurze Produktvideos zu vertonen, Werbeclips für Plattformen wie TikTok Shop oder Reels mit einer Tonspur zu versehen und Produkttexte für Käufer in den Märkten zu lokalisieren, die ihre Einkaufssprache hören möchten. Wenn für jede SKU auf Abruf eine Vertonung eines wenige Sekunden langen Skripts erzeugt wird, sind alle drei Anforderungen ohne Tonstudio abgedeckt.

Zwei echte Vertonungen, von der Anfrage bis zum fertigen Ergebnis

Wir haben zwei echte Skripte (keinen Platzhaltertext) durch das Modell laufen lassen, um die tatsächliche Ausgabequalität und die Kosten zu prüfen.

Test 1: Vertonung eines englischen Produktvideos

Anfrage:

{
  "model": "qwen-audio-3.0-tts-plus",
  "input": {
    "text": "Introducing the AeroFit wireless earbuds. Twenty-eight hours of battery life, active noise cancellation, and a charging case that fits in your pocket. Free shipping ends tonight.",
    "voice": "longanlingxin"
  }
}

Echtes Ergebnis:

{
  "taskId": "tk-hiapi-01M33PRBVZJDDXKMHK7ANDG5DK",
  "status": "success",
  "model": "qwen-audio-3.0-tts-plus",
  "created": 1790052151,
  "completed": 1790052159,
  "storage": "temp",
  "output": [
    {
      "type": "audio",
      "url": "https://temp.hiapi.ai/7c6ttvrbpt/01M33PRBVZJDDXKMHK7ANDG5DK-0.mp3",
      "artifactId": "187560",
      "expireAt": 1790656959
    }
  ]
}

Das ist ein Skript mit 178 Zeichen, in 8 Sekunden fertiggestellt, zu Kosten von etwa 0,007 US-Dollar. Wir haben format nicht gesetzt, daher ist die Ausgabe standardmäßig MP3 – vor dem Ziehen in die Sprachspur der Videoschnittsoftware ist keine separate Kodierung nötig.

Test 2: Zweisprachige Off-Sprecher-Vertonung für grenzüberschreitende Produkte

Anfrage:

{
  "model": "qwen-audio-3.0-tts-plus",
  "input": {
    "text": "欢迎选购 AeroFit 无线耳机。This is our best-selling model on TikTok Shop this month. 电池续航二十八小时，支持主动降噪。Ships worldwide, free returns within 30 days.",
    "voice": "longanlufeng",
    "sample_rate": 44100
  }
}

Echtes Ergebnis:

{
  "taskId": "tk-hiapi-01M33PS3GPV0GBXBSHYDMAEA5A",
  "status": "success",
  "model": "qwen-audio-3.0-tts-plus",
  "created": 1790052175,
  "completed": 1790052184,
  "storage": "temp",
  "output": [
    {
      "type": "audio",
      "url": "https://temp.hiapi.ai/7c6ttvrbpt/01M33PS3GPV0GBXBSHYDMAEA5A-0.mp3",
      "artifactId": "187562",
      "expireAt": 1790656984
    }
  ]
}

Dieses Skript hat 138 Zeichen und mischt mitten in den Sätzen Chinesisch und Englisch – ohne dass ein separates Sprachkennzeichen gesetzt werden muss. Das Modell liest einfach den Inhalt von text und wechselt in derselben Audiodatei sauber zwischen beiden Sprachen. Die Generierung dauerte 9 Sekunden und kostete etwa 0,0055 US-Dollar.

Wenn du diesen Artikel liest, sind die beiden Audioaufnahmen oben mit ziemlicher Sicherheit bereits abgelaufen: Der Standard-storage-Modus ist temp, und expireAt liegt etwa 7 Tage nach created. Das ist erwartetes Verhalten, kein Fehler – betrachte sie als Aufzeichnung der tatsächlichen Ausgabequalität und der Zeitdauer; lade in der Produktion output[0].url sofort nach Abschluss der Aufgabe herunter und hoste die Datei erneut in deinem eigenen Speicher.

Schnittstellenstruktur und Preise im Überblick

Die Anfragestruktur ist klein und strikt (überzählige Felder werden abgelehnt):

• text (Zeichenkette, erforderlich) – das vorzulesende Skript
• voice (Enum, erforderlich) – longanlingxin oder longanlufeng, nur diese beiden sind wählbar
• format (Enum, optional) – mp3 (Standard), wav, pcm oder opus
• sample_rate (Enum, optional) – eine von 8000, 16000, 22050, 24000, 44100, 48000
• pitch (Zahl, optional) – 0,5 bis 2
• volume (Zahl, optional) – 0 bis 100

Dieses Modell hat keine Steuerung für Emotion, Sprechtempo oder SSML – Tonfall und Rhythmus hängen einzig davon ab, wie du das Skript mit Satzzeichen und Pausen gliederst.

Der Preis beträgt 0,04 US-Dollar pro 1.000 Zeichen, bestätigt über den Echtzeit-Preisendpunkt von HiAPI. Eine Produktbeschreibung mit 150 Zeichen kostet deutlich weniger als 1 Cent; 500 Kurzbeschreibungen dieser Länge kosten insgesamt etwa 3 US-Dollar. Die Modellseite von Qwen-Audio 3.0 TTS Plus bietet einen Live-Playground, den du direkt nutzen kannst, wenn du dein eigenes Skript testen und beide Stimmen anhören möchtest, bevor du die API integrierst.

Integration in den Produktlistungs- oder Video-Workflow

1. Schreibe (oder lokalisiere) das Skript so, wie es tatsächlich vorgelesen werden soll.
2. Sende eine Anfrage an POST /v1/tasks mit dem Modell, dem Skript in text und voice.
3. Frage GET /v1/tasks/<id> ab – oder nutze einen Callback – bis status gleich success ist.
4. Lade sofort output[0].url herunter; speichere keine temporären Links.
5. Hoste die MP3 erneut in deinem eigenen Speicher oder CDN.
6. Lege sie in die Sprachspur der Videoschnittsoftware oder hänge sie direkt an die Produktseite an.

Setze den Idempotency-Key-Header bei der Anfrage zur Aufgabenerstellung, damit ein nach einem Timeout wiederholter Aufruf keine doppelten Audioclips erzeugt (und abrechnet). Die vollständige feldweise Dokumentation von Anfrage und Antwort findest du in unserem qwen-audio-3.0-tts-plus-API-Tutorial.

Was es nicht kann

• Keine Parameter für Emotion oder Sprechtempo. Wenn ein Satz wirkungsvoller klingen soll, schreibe ihn mit kürzeren Sätzen und klarerer Interpunktion um, statt nach einer Stimmeneinstellung zu suchen.
• Nur Audio. Es kümmert sich nicht um den visuellen Teil der Produktseite – Produktfotos und Videomaterial erfordern ein Bild- oder Videomodell.
• Standardmäßig temporärer Speicher. Sofern du keinen persistenten Speicher anforderst, sind die Links etwa 7 Tage gültig; nimm den Schritt des erneuten Hostens von Anfang an in deinen Prozess auf.
• Nur zwei Stimmen. Wenn der gesamte Produktkatalog eine einheitliche Markenstimme benötigt, ist das tatsächlich eine verlässliche Einschränkung – jede SKU nutzt dieselben beiden Stimmen, statt jedes Mal zufällig auszuwählen.

Häufige Fragen

Unterstützt qwen-audio-3.0-tts-plus emotionale oder expressive Sprache?

Nein. Die Schnittstelle bietet nur pitch (0,5–2) und volume (0–100), keine Steuerung für Emotion, Stil oder SSML. Ausdruckskraft entsteht durch die Formulierung und Interpunktion des Skripts selbst.

Kann qwen-audio-3.0-tts-plus in einer einzigen Anfrage gemischt chinesisch-englisches Text vorlesen?

Ja – unser zweiter Test oben hat im selben text-Feld Chinesisch und Englisch gemischt, und das Modell wechselt sauber zwischen beiden, ohne dass ein separater Sprachparameter gesetzt werden muss.

Wie lange bleiben die Ausgabedateien von qwen-audio-3.0-tts-plus erhalten?

Standardmäßig ist storage gleich temp, und expireAt liegt etwa 7 Tage nach Abschluss der Aufgabe. Wenn du die Dateien langfristig aufbewahren möchtest, lade sie herunter und hoste sie erneut, bevor dieses Zeitfenster abläuft.

Welche Audioformate unterstützt qwen-audio-3.0-tts-plus?

mp3 (Standard), wav, pcm und opus, einstellbar über das optionale Feld format.

Gibt es eine günstigere Qwen-Audio-TTS-Stufe?

Ja, das Modell Qwen-Audio 3.0 TTS Flash derselben Serie kostet 0,03 US-Dollar pro 1.000 Zeichen, während Plus 0,04 US-Dollar kostet. Beide teilen dieselbe aufgabenbasierte API-Form.

Selbst ausprobieren

Wenn deine Produktlistung eher einen Off-Sprecher als weitere Bilder braucht, ist Qwen-Audio 3.0 TTS Plus eine schnelle, kostengünstige Lösung – führe zuerst im Playground der Modellseite ein Skript aus, höre dir jede Stimme an und schreibe dann die Skripte für den gesamten Produktkatalog. Weitere Sprach- und Musikmodelle findest du in der AI-Audio-API-Sammlung von HiAPI.