Alibaba

Qwen Audio 3.0 TTS

qwen-audio-3.0-tts-plus

Alibabas Tongyi-Serie für gehostete mehrsprachige Sprachsynthese mit zwei Stufen – Flash mit niedriger Latenz und Plus mit hoher Audioqualität –, die Emotionen und Ausdrucksstil über Anweisungen in natürlicher Sprache steuern lässt

qwen-audio-3.0-tts-flash qwen-audio-3.0-tts-plus

qwen-audio-3.0-tts-plus ausprobieren

Eingabe

Instruction

Ausgabe

Fülle die Parameter aus und generiere – die Ergebnisse erscheinen hier.

Preise

qwen-audio-3.0-tts-plus per 1,000 characters

Einzelpreis	$0.040

Positionierung und Kurzprofil

Qwen Audio 3.0 TTS Plus ist ein gehostetes Modell aus der Qwen Audio 3.0 TTS-Serie von Alibaba, das auf hochwertige Sprachgenerierung ausgerichtet ist und über die einheitliche Schnittstelle von HiAPI.ai aufgerufen wird: Text als Eingabe genügt, um natürliche, originalgetreue Sprache auszugeben. Es unterstützt die mehrsprachige Synthese langer Texte, lässt sich per natürlichsprachlicher Anweisung in Emotion und Ausdrucksstil steuern und bietet Parameterkontrolle über Sprechgeschwindigkeit, Tonhöhe, Lautstärke, Abtastrate und Ausgabeformat. Geeignet ist es für generative Szenarien wie Audioinhalte, Vorlesen von Kursen, Ansagen im Kundenservice und mehrsprachige Synchronisation, bei denen die Anforderungen an Klangqualität und Stimmcharakter höher liegen als die an Echtzeitreaktion.

Zentrale Highlights

Plus-Stufe mit Priorität auf Klangqualität – im Vergleich zum Flash der gleichen Serie liegt der Schwerpunkt stärker auf Natürlichkeit und Klangtreue; geeignet für nicht strikt echtzeitkritische Offline- oder Batch-Sprachproduktion.
Anweisungsbasierte Steuerung des Ausdrucksstils – Emotion und Ausdrucksweise lassen sich über Syntheseanweisungen beschreiben, was Nacharbeit durch abschnittweises Anhören und anschließendes Nachbearbeiten der Tonspur reduziert.
Bis zu 20.000 Zeichen pro Synthese – eine einzelne Aufgabe akzeptiert maximal 20.000 Unicode-Codepunkte; lange Texte können in einem Stück übergeben werden, was Segmentierung, Zusammenfügung und Randfallbehandlung verringert.
Fein abstimmbare Ausgabeparameter – Sprechgeschwindigkeit, Tonhöhe und Lautstärke sind jeweils in Bereichen einstellbar, Abtastrate und Containerformat wählbar, was die Anbindung an nachgelagerte Audio-Pipelines erleichtert.

Funktionsbeschreibung

Mehrsprachige Sprachsynthese: unterstützt Synthesehinweise in über zehn Sprachen; eine einzige Anbindung genügt, um Sprache für chinesische, englische, japanische, koreanische und weitere mehrsprachige Inhalte zu erzeugen, was die Integrationskosten für mehrsprachige Inhalte senkt.

Stilführung durch natürlichsprachliche Anweisungen: über Syntheseanweisungen lassen sich Tonfall, Emotion und Ausdrucksweise beschreiben, sodass derselbe Text unterschiedliche Vortragsstile hervorbringt, ohne die Stimme zu wechseln oder nachzubearbeiten.

Steuerung der Audioparameter: Sprechgeschwindigkeit, Tonhöhe, Lautstärke und Ausgabe-Abtastrate sind einstellbar, zudem lassen sich Ausgabeformate wie mp3, wav, pcm und opus nach Bedarf wählen, was die direkte Anbindung an Wiedergabe- oder Transkodierungsstrecken erleichtert.

Deterministische Synthese: ein Zufalls-Seed kann festgelegt werden, um für denselben Text konsistente Syntheseergebnisse zu reproduzieren, was Regressionstests und Versionsverwaltung von Inhalten zugutekommt.

Einstellbare Opus-Bitrate: bei Opus-Ausgabe lässt sich die Bitrate angeben, um in bandbreitenempfindlichen Verteilungsszenarien Klangqualität und Dateigröße auszubalancieren.

Anwendungsszenarien

Text-zu-Sprache für Manuskripte von Audio-Content-Erstellern – lange Artikel oder Kapiteltexte in einem Durchgang übergeben und Audio erzeugen, das direkt auf Podcast- und Hörbuchplattformen veröffentlicht werden kann, wodurch segmentierte Synthese und Zusammenfügung entfallen.
Vorlesen von Kursmanuskripten in Online-Bildungseinrichtungen – Kursmanuskripte zu einheitlich gestalteten Erklär-Audios synthetisieren, für Kursmodul-Vertonung und Wiederholungs-Audios, wodurch sich der Aufnahmezyklus verkürzt.
Erzeugung von Ansagetexten für Kundenservice-Teams – standardisierte Ansagetexte in Sprachmaterial umwandeln, für feste Ansagen in Callcentern und Selbstbedienungskanälen.
Mehrsprachige Synchronisation für Content-Teams – mithilfe von Sprachhinweisen passende Sprachausgaben für mehrsprachige Fassungen von Manuskripten erzeugen, für die Lokalisierung von Produktvorstellungen und Marketingmaterialien.

Einschränkungen und Auswahlhinweise

Die Plus-Stufe setzt Klangqualität an erste Stelle und ist langsamer als das Flash der gleichen Serie; sie eignet sich nicht für Echtzeit-Dialogszenarien, die empfindlich auf die Latenz des ersten Pakets reagieren – für solche Anforderungen sollte vorrangig Flash in Betracht gezogen werden. Derzeit werden nur zwei Systemstimmen angeboten, und die Gestaltung von Stimmen anhand einer Textbeschreibung wird nicht unterstützt; die Stimmklon-Funktion ist nicht in allen Kanälen verfügbar und sollte vor der Anbindung bestätigt werden. Zudem handelt es sich um einen gehosteten Synthesedienst ohne self-hosted Bereitstellung; wer lokale Bereitstellung oder tiefgehende Modellanpassung benötigt, sollte eine andere Auswahl treffen.

Generierungsaufgabe erstellen

POST https://api.hiapi.ai/v1/tasks

Header

AuthorizationstringPflicht

Account-API-Schlüssel. Bei jeder Anfrage erforderlich. Beispiel: Bearer YOUR_HIAPI_API_KEY. API-Schlüssel holen

Content-TypestringOptional

Der Anfragekörper wird immer als JSON geparst; beim Senden ist nur application/json (optional mit charset) zulässig — andere Werte liefern 415. Beispiel: application/json.

Idempotency-KeystringOptional

Idempotenz-Schlüssel, bis 255 Bytes. Wiederholungen mit demselben Schlüssel desselben Kontos erstellen die Aufgabe nur einmal; Replays liefern die ursprüngliche taskId.

Idempotenz-Schlüssel

Bei Netzwerk-Timeouts oder Client-Wiederholungen erstellt derselbe Schlüssel die Aufgabe nur einmal — keine doppelte Abbuchung (Geltungsbereich = das Konto des API-Schlüssels). Empfohlen: geschäftsseitig eindeutige Kennung (z. B. "order-42"); Replays liefern die ursprüngliche taskId, Schlüssel laufen 24 Stunden nach der ersten Anfrage ab. Die vollständige Szenariomatrix steht in der Übersicht der Unified Async API.

Body

modelstringPflicht

Aktueller Festwert: qwen-audio-3.0-tts-plus

routestringOptional

Aktueller Festwert: default

inputobjectPflicht

Geschäftsparameter für qwen-audio-3.0-tts-plus und Route default — siehe Parametertabelle unten.

ratenumberOptionalStandard: 1min 0.5max 2

Sprachgeschwindigkeitsfaktor, als numerischer Wert; Standard 1.

seedintegerOptionalStandard: 0min 0max 65535

Deterministischer Zufallsseed für die Synthese, als Ganzzahl; Standard 0, bei gleichem Seed ist das Syntheseergebnis reproduzierbar.

textstringPflichtminLength 1maxLength 20000

Der zu synthetisierende Textinhalt; pro Aufgabe werden maximal 20.000 Unicode-Codepunkte akzeptiert. Bei der Abrechnung durch den Upstream werden CJK-Ideogramme als zwei Zeichen und andere Zeichen als ein Zeichen gezählt.

pitchnumberOptionalStandard: 1min 0.5max 2

Tonhöhenfaktor, als numerischer Wert; Standard 1.

voicestringPflichtStandard: "longanlingxin"

Die verwendete offizielle Systemstimme, als Zeichenkette, Stimmen, die im Plus-Tarif unterstützt werden; Standard longanlingxin.

Optionen:longanlingxinlonganlufeng

formatstringOptionalStandard: "mp3"

Das Containerformat oder reine PCM-Format der Ausgabe-Audiodatei, als Zeichenkette; Standard mp3.

Optionen:pcmwavmp3opus

volumeintegerOptionalStandard: 50min 0max 100

Ausgabelautstärke, als Ganzzahl von 0 bis 100; Standard 50.

bit_rateintegerOptionalStandard: 32min 6max 510

Opus-Kodierbitrate in kbps, als Ganzzahl; Standard 32, wirkt nur, wenn format opus ist.

instructionstringOptionalminLength 1

Optionale Syntheseanweisung, als Zeichenkette, zur ergänzenden Beschreibung des Syntheseeffekts; wird sie nicht angegeben, gilt das Standard-Syntheseverhalten.

sample_rateintegerOptionalStandard: 22050

Abtastrate des Ausgabe-Audios in Hz, als Ganzzahl; Standard 22050.

Optionen:80001600022050240004410048000

language_hintsarrayOptionalminItems 1maxItems 1

Optionales Array mit Sprachhinweisen, dessen Elemente Sprachhinweis-Zeichenketten sind; der Upstream verarbeitet nur das erste Element des Arrays.

Array [ string ]

callbackobjectOptional

Konfiguration der Endzustands-Benachrichtigung. Ohne Angabe wird kein Callback gesendet — selbst abfragen.

Callbacks (Webhook)

Beim Erstellen callback.url angeben, dann POSTet HiAPI im Endzustand an Ihren Service — kein Polling nötig. Der Callback-Body entspricht der Aufgaben-Detailstruktur; Signaturprüfung, Wiederholungen und Idempotenz sind in der Übersicht der Unified Async API beschrieben.

urlstringPflicht

Pflicht, wenn callback angegeben ist. Nach dem Endzustand wird an diese URL gepostet; muss eine gültige http(s)-URL sein.

whenstringOptionalStandard: "final"

Derzeit wird nur final unterstützt — Benachrichtigung bei success und fail.

Optionen:final

storagestringOptionalStandard: "temp"

Speicherstufe für Artefakte: temp (Standard, ca. 7 Tage) oder persistent (langfristig, nach Größe abgerechnet). Bei unzureichendem Guthaben oder Überschreitung des Speicherlimits erfolgt ein stiller Downgrade auf temp; die wirksame Stufe steht in der Aufgaben-Detailantwort.

Optionen:temppersistent

Anfragebeispiele

# Asynchrone Aufgabe senden; gibt sofort eine taskId zurück (wartet nicht auf die Generierung)
curl -X POST "https://api.hiapi.ai/v1/tasks" \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "qwen-audio-3.0-tts-plus",
  "input": {
    "rate": 1,
    "seed": 0,
    "text": "…",
    "pitch": 1,
    "voice": "longanlingxin",
    "format": "mp3",
    "volume": 50,
    "bit_rate": 32,
    "sample_rate": 22050
  }
}'

const res = await fetch("https://api.hiapi.ai/v1/tasks", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.HIAPI_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "qwen-audio-3.0-tts-plus",
    input: {
      "rate": 1,
      "seed": 0,
      "text": "…",
      "pitch": 1,
      "voice": "longanlingxin",
      "format": "mp3",
      "volume": 50,
      "bit_rate": 32,
      "sample_rate": 22050
    }
  }),
});
const task = await res.json();
// { code: 200, message: "success", data: { taskId } }

import os, requests

res = requests.post(
    "https://api.hiapi.ai/v1/tasks",
    headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
    json={
        "model": "qwen-audio-3.0-tts-plus",
        "input": {
          "rate": 1,
          "seed": 0,
          "text": "…",
          "pitch": 1,
          "voice": "longanlingxin",
          "format": "mp3",
          "volume": 50,
          "bit_rate": 32,
          "sample_rate": 22050
        }
    },
)
print(res.json())  # { code, message, data: { taskId } }

200 OK

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-01HZTQ8BX2N3GM3YFK4Z9D7VQR"
  }
}

400 Bad Request

{
  "code": 400,
  "message": "invalid request",
  "data": null,
  "error_code": "INVALID_REQUEST"
}

Aufgabendetails abrufen

GET https://api.hiapi.ai/v1/tasks/:id

Antwortfelder

taskIdstringPflicht

Aufgaben-ID, stets mit Präfix tk-hiapi-.

modelstringPflicht

Aufgelöster vollständiger Modellname. Mit route-Parameter eingereichte Aufgaben geben base@route zurück (z. B. gpt-image-2/text-to-image@ext); sonst identisch mit dem übermittelten Namen.

routestringOptional

Erscheint nur bei explizitem route-Parameter; gibt den übermittelten Wert zurück.

statusstringPflicht

Aufgabenstatus.

Statuswerte

queued Eingereiht, noch nicht gestartet. handling In Verarbeitung. archiving Verarbeitung abgeschlossen, Artefakte werden vorbereitet. success Endzustand: abgeschlossen, Artefakte verfügbar (output wird zurückgegeben). fail Endzustand: fehlgeschlagen (error wird zurückgegeben). Nach dem Senden den status prüfen: success und fail sind Endzustände, alles andere nicht. Alle 1–3 Sekunden bis zum Endzustand pollen. Nach Erfolg Artefakte aus output[].url laden und vor expireAt übertragen; für Langzeitaufbewahrung storage: "persistent" beim Erstellen angeben.

creatednumberPflicht

Zeitpunkt der Aufgabenerstellung (Unix-Sekunden).

completednumberPflicht

Unix-Sekunden des Endzustands; vor Abschluss stets 0.

outputarrayOptional

Nur bei status == success. Artefaktliste — immer ein Array; eine Aufgabe kann mehrere Typen gleichzeitig liefern (z. B. video + first_frame).

Array [ object ]

Array-Elemente

urlstringPflicht

Artefakt-URL, direkt herunterladbar.

typestringPflicht

Aktuell mögliche Werte: video, image, audio, first_frame, last_frame, thumbnail; später können weitere folgen.

expireAtnumberPflicht

Unix-Sekunden, bis wann das Artefakt verfügbar ist; vorher herunterladen oder übertragen.

errorobjectOptional

Nur bei status == fail.

codestringPflicht

Business-Fehlercode.

messagestringPflicht

Fehlerbeschreibung.

Antwortbeispiele

Erfolg

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-01HZTQ8BX2N3GM3YFK4Z9D7VQR",
    "model": "happyhorse-1-0",
    "status": "success",
    "created": 1777282033,
    "completed": 1777282099,
    "output": [
      {
        "url": "https://cdn.hiapi.ai/tasks/.../video.mp4",
        "type": "video",
        "expireAt": 1777886899
      }
    ]
  }
}

In Bearbeitung (nicht final)

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-...",
    "model": "happyhorse-1-0",
    "status": "archiving",
    "created": 1777282033,
    "completed": 0
  }
}

Fehlgeschlagen

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-...",
    "model": "happyhorse-1-0",
    "status": "fail",
    "created": 1777282033,
    "completed": 1777282099,
    "error": {
      "code": "TASK_FAILED",
      "message": "task failed"
    }
  }
}