Qwen-Audio 3.0 TTS Plus: modelo de síntesis de voz para doblaje de comercio electrónico

Qwen-Audio 3.0 TTS Plus es un modelo de texto a voz, no un generador de imágenes; así que si has llegado aquí buscando imágenes de producto con IA, la herramienta que realmente necesitas es un modelo de imagen como GPT Image 2. Lo que este modelo hace realmente bien es convertir un guion ya escrito en una locución limpia y bien articulada en cuestión de segundos, y ese es precisamente el escenario en el que la mayoría de los equipos de comercio electrónico necesitan audio: narración para vídeos de producto, voz para promociones y textos de producto transfronterizos que cambian de idioma dentro de la misma frase. A continuación incluimos dos locuciones reales generadas a través del endpoint /v1/tasks de HiAPI, además de la estructura de la interfaz, el precio y una descripción del flujo de trabajo para integrarlo en el proceso de publicación de productos.

Para qué usan realmente los equipos de comercio electrónico el TTS

La mayoría de las tiendas no necesitan contratar a un actor de doblaje a tiempo completo: necesitan una forma rápida y repetible de poner narración a contenidos de producto en vídeo corto, añadir pistas de audio a anuncios breves en plataformas como TikTok Shop o Reels y localizar los textos de producto para compradores de mercados que quieren escucharlos en el idioma en el que compran. Generar bajo demanda unos segundos de locución a partir de un guion para cada SKU cubre estas tres necesidades sin pasar por un estudio de grabación.

Dos locuciones reales, de la solicitud al resultado final

Enviamos al modelo dos guiones reales (no texto de relleno) para comprobar la calidad y el coste de la salida real.

Prueba 1: locución en inglés para vídeo de producto

Solicitud:

{
  "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"
  }
}

Resultado real:

{
  "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
    }
  ]
}

Se trata de un guion de 178 caracteres, generado en 8 segundos, con un coste de aproximadamente 0,007 USD. No configuramos format, por lo que la salida es MP3 por defecto; no hace falta una codificación adicional antes de arrastrarlo a la pista de voz del software de edición de vídeo.

Prueba 2: narración bilingüe chino-inglés para producto transfronterizo

Solicitud:

{
  "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
  }
}

Resultado real:

{
  "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
    }
  ]
}

Este guion tiene 138 caracteres y mezcla chino e inglés en mitad de las frases; no hace falta configurar ningún indicador de idioma aparte. El modelo lee directamente el contenido de text y alterna entre ambos idiomas con naturalidad dentro del mismo audio. La generación tardó 9 segundos y costó aproximadamente 0,0055 USD.

Cuando leas este artículo, es casi seguro que los dos audios anteriores ya habrán caducado: el modo storage predeterminado es temp y expireAt se sitúa aproximadamente 7 días después de created. Es el comportamiento esperado, no un fallo: tómalos como un registro de la calidad y los tiempos de salida reales; en producción, descarga output[0].url en cuanto termine la tarea y vuelve a alojarlo en tu propio almacenamiento.

Estructura de la interfaz y precio en resumen

La estructura de la solicitud es pequeña y estricta (los campos sobrantes se rechazan):

• text (cadena, obligatorio): el guion que se va a leer
• voice (enumeración, obligatorio): longanlingxin o longanlufeng, solo estas dos opciones
• format (enumeración, opcional): mp3 (predeterminado), wav, pcm u opus
• sample_rate (enumeración, opcional): uno de 8000, 16000, 22050, 24000, 44100, 48000
• pitch (número, opcional): de 0,5 a 2
• volume (número, opcional): de 0 a 100

Este modelo no tiene controles de emoción, velocidad de habla ni SSML; el tono y el ritmo dependen por completo de cómo añadas puntuación y pausas al guion.

El precio es de 0,04 USD por cada 1000 caracteres, confirmado a través del endpoint de precios en tiempo real de HiAPI. Una descripción de producto de 150 caracteres cuesta mucho menos de un céntimo; 500 descripciones breves de esa longitud cuestan en total unos 3 USD. La página del modelo Qwen-Audio 3.0 TTS Plus tiene un Playground en tiempo real que puedes usar directamente si quieres probar tus propios guiones y escuchar las dos voces antes de integrar la API.

Integración en el flujo de publicación de productos o de vídeo

1. Escribe (o localiza) el guion tal como quieres que suene al leerse.
2. Envía una solicitud a POST /v1/tasks con el modelo, el guion en text y la voz en voice.
3. Consulta repetidamente GET /v1/tasks/<id> —o usa una devolución de llamada— hasta que status sea success.
4. Descarga inmediatamente output[0].url; no guardes enlaces temporales.
5. Vuelve a alojar el MP3 en tu propio almacenamiento o CDN.
6. Colócalo en la pista de voz de tu software de edición de vídeo o adjúntalo directamente a la página del producto.

Configura la cabecera Idempotency-Key en la solicitud de creación de la tarea para que los reintentos tras un tiempo de espera agotado no generen (ni cobren) fragmentos de audio duplicados. Para ver la descripción completa campo por campo de la solicitud y la respuesta, consulta nuestro tutorial de la API de qwen-audio-3.0-tts-plus.

Lo que no puede hacer

• No hay parámetros de emoción ni de velocidad de habla. Si una frase necesita más fuerza, reescríbela con frases más cortas y una puntuación más clara en lugar de buscar ajustes de voz.
• Solo audio. No se ocupa de la parte visual de la página de producto; las fotos y el material de vídeo del producto necesitan combinarse con modelos de imagen o de vídeo.
• Almacenamiento temporal por defecto. A menos que solicites almacenamiento persistente, los enlaces son válidos durante unos 7 días; incorpora el paso de volver a alojar en tu flujo de trabajo desde el primer día.
• Solo dos voces. Si todo el catálogo necesita una voz de marca coherente, en realidad es una restricción con la que puedes contar: usa las mismas dos voces para cada SKU en lugar de elegir una al azar cada vez.

Preguntas frecuentes

¿qwen-audio-3.0-tts-plus admite voz con emoción o expresiva?

No. La interfaz solo expone pitch (0,5–2) y volume (0–100), sin controles de emoción, estilo ni SSML. La expresividad proviene de cómo está escrito el guion y de su puntuación.

¿qwen-audio-3.0-tts-plus puede leer texto mixto chino-inglés en una sola solicitud?

Sí; nuestra segunda prueba anterior mezcló chino e inglés en el mismo campo text y el modelo alternó entre ambos idiomas con naturalidad, sin necesidad de configurar un parámetro de idioma aparte.

¿Cuánto tiempo se conservan los archivos de salida de qwen-audio-3.0-tts-plus?

De forma predeterminada, storage es temp y expireAt se sitúa aproximadamente 7 días después de completarse la tarea. Si necesitas conservarlos a largo plazo, descarga y vuelve a alojar los archivos antes de que termine ese plazo.

¿Qué formatos de audio admite qwen-audio-3.0-tts-plus?

mp3 (predeterminado), wav, pcm y opus, configurados mediante el campo opcional format.

¿Hay una versión más económica de Qwen-Audio TTS?

Sí, el Qwen-Audio 3.0 TTS Flash de la misma familia tiene un precio de 0,03 USD por cada 1000 caracteres, frente a los 0,04 USD de Plus. Ambos comparten la misma forma de API basada en tareas.

Pruébalo tú mismo

Si lo que necesita tu publicación de productos es narración y no más imágenes, Qwen-Audio 3.0 TTS Plus es una forma rápida y de bajo coste de conseguirlo: ejecuta un guion en el Playground de la página del modelo, escucha cada voz y después escribe los guiones para todo el catálogo. Para otros modelos de voz y música, explora la colección de API de audio con IA de HiAPI.