Alibaba

Qwen Audio 3.0 TTS

qwen-audio-3.0-tts-flash

Serie de síntesis de voz multilingüe alojada de Alibaba Tongyi, que incluye dos niveles: Flash de baja latencia y Plus de alta calidad de audio, y permite controlar la emoción y el estilo expresivo mediante instrucciones en lenguaje natural

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

Probar qwen-audio-3.0-tts-flash

Entrada

Instruction

Salida

Rellena los parámetros y genera: los resultados aparecerán aquí.

Precios

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

Precio unitario	$0.030

Descripción general

qwen-audio-3.0-tts-flash es el modelo de texto a voz de la serie Qwen Audio 3.0 TTS orientado a la interacción en tiempo real, disponible a través de la interfaz unificada de HiAPI.ai. Sintetiza el texto de entrada en voz natural, admite indicaciones en 16 idiomas como chino, inglés, japonés y coreano, y permite ajustar la emoción y el estilo de expresión mediante instrucciones en lenguaje natural. Es adecuado para desarrolladores que construyen asistentes de voz, aplicaciones conversacionales, anuncios de atención al cliente y doblaje multilingüe, especialmente en escenarios en tiempo real sensibles a la latencia del primer paquete y que necesitan un equilibrio entre velocidad de respuesta y calidad de audio. El límite de texto por tarea es de 20000 puntos de código Unicode.

Características principales

Nivel de baja latencia orientado a la interacción en tiempo real: el enfoque Flash prioriza la respuesta en tiempo real, con una latencia del primer paquete del orden de 300 milisegundos, adecuado para diálogos sincrónicos y cadenas de anuncios de voz.
Control de emoción y estilo de expresión mediante instrucciones: el campo opcional instruction permite describir el tono y la forma de expresión, reduciendo el posprocesamiento del audio.
Amplia cobertura de síntesis multilingüe: admite indicaciones en 16 idiomas, de modo que un mismo modelo puede atender contenido en varios idiomas sin cambiar de modelo según el idioma.
Formato de salida y frecuencia de muestreo opcionales: admite cuatro salidas pcm, wav, mp3 y opus, con frecuencias de muestreo de 8000 a 48000 Hz seleccionables según el dispositivo de reproducción.

Descripción de capacidades

Texto a voz multilingüe: basta con el texto y una voz para sintetizar audio; language_hints permite especificar el idioma de destino, cubriendo la producción de contenido multilingüe con una sola integración.

Ajuste detallado de parámetros de voz: la velocidad y el tono se pueden ajustar en un rango de 0.5 a 2 veces, y el volumen de 0 a 100, lo que facilita la adaptación a distintos dispositivos de reproducción y ritmos de contenido.

Control del formato de salida y la frecuencia de muestreo: se puede elegir salida mp3, wav, pcm u opus, con frecuencias de muestreo de 8000 a 48000 Hz; en opus también se puede especificar una tasa de bits de 6 a 510 kbps.

Control mediante instrucciones y semilla: el campo instruction describe el estilo de síntesis y seed permite fijar la semilla aleatoria para reproducir el mismo resultado de síntesis y estabilizar las pruebas de regresión.

Síntesis de textos largos en una sola tarea: cada tarea acepta hasta 20000 puntos de código Unicode, por lo que no es necesario dividir los párrafos largos en el lado de la llamada.

Casos de uso

Desarrolladores de asistentes de voz: texto de respuesta de diálogo: sintetizar en tiempo real las respuestas del sistema de diálogo en voz e integrarlas directamente en el anuncio de asistentes de voz o aplicaciones conversacionales.
Atención al cliente y centros de llamadas: texto de guiones de anuncio: convertir por lotes guiones estándar y contenido de notificaciones en voz para llamadas salientes, avisos de IVR y anuncios de estado de tickets.
Educación en línea y contenido de audio: guiones de cursos: sintetizar materiales didácticos y guiones de clase en audio con velocidad ajustable para doblaje de cursos y producción de audiolibros.
Equipos de contenido multilingüe: textos multilingües: sintetizar versiones en distintos idiomas de un mismo texto según las indicaciones de idioma para la internacionalización de productos y el doblaje de vídeos multilingües.

Limitaciones y recomendaciones de selección

Este modelo es del nivel Flash y prioriza la velocidad de respuesta; la naturalidad y fidelidad de la voz no alcanzan a la variante Plus de la misma serie, por lo que en escenarios que exigen alta calidad de audio final se recomienda usar Plus. Solo ofrece cuatro valores de voz del sistema y no admite diseñar voces a partir de descripciones textuales; la capacidad de clonación de voz no está dentro del alcance de parámetros de este modelo. La síntesis se mide por caracteres de salida y los caracteres CJK se facturan como dos caracteres, por lo que conviene estimar el uso en la generación por lotes de textos largos. Si se requiere despliegue autoalojado o pesos de código abierto, no entra en el ámbito de aplicación de este modelo.

Crear una tarea de generación

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

Encabezados

AuthorizationstringObligatorio

Clave API de la cuenta. Obligatoria en cada solicitud. Ejemplo: Bearer YOUR_HIAPI_API_KEY. Obtener clave API

Content-TypestringOpcional

El cuerpo de la solicitud siempre se analiza como JSON; si se envía, solo se acepta application/json (charset opcional) — cualquier otro valor devuelve 415. Ejemplo: application/json.

Idempotency-KeystringOpcional

Clave de idempotencia, hasta 255 bytes. Los reintentos con la misma clave de la misma cuenta crean la tarea una sola vez; las repeticiones devuelven el taskId original.

Clave de idempotencia

Ante timeouts de red o reintentos automáticos del cliente, la misma clave crea la tarea una sola vez, sin doble cobro (alcance = la cuenta de la clave API). Usa un identificador de negocio único (p. ej. "order-42"); las repeticiones devuelven el taskId original y las claves caducan 24 h después de la primera solicitud. La matriz completa de escenarios está en la introducción de la API asíncrona unificada.

Cuerpo

modelstringObligatorio

Valor fijo actual: qwen-audio-3.0-tts-flash

routestringOpcional

Valor fijo actual: default

inputobjectObligatorio

Objeto de parámetros de negocio para qwen-audio-3.0-tts-flash y la ruta default; consulta la tabla de parámetros a continuación.

ratenumberOpcionalPredeterminado: 1min 0.5max 2

Multiplicador de velocidad de la voz; por defecto 1, es decir, velocidad normal; un valor mayor que 1 indica aceleración y menor que 1 indica ralentización.

seedintegerOpcionalPredeterminado: 0min 0max 65535

Semilla aleatoria para una síntesis determinista; por defecto 0; la misma semilla y entrada permiten reproducir el resultado de la síntesis.

textstringObligatoriominLength 1maxLength 20000

Texto que se va a sintetizar en voz. hiAPI acepta como máximo 20.000 puntos de código Unicode por tarea; en la facturación de Alibaba, los ideogramas CJK cuentan como dos caracteres y los demás caracteres como uno.

pitchnumberOpcionalPredeterminado: 1min 0.5max 2

Multiplicador de tono; por defecto 1, es decir, la altura tonal original; un valor mayor aumenta el tono y uno menor lo reduce.

voicestringObligatorioPredeterminado: "longanhuan_v3.6"

Especifica una voz del sistema compatible con el nivel Flash; por defecto longanhuan_v3.6.

Opciones:longanhuan_v3.6longjielidou_v3.6loongeva_v3.6loongjohn

formatstringOpcionalPredeterminado: "mp3"

Formato de contenedor del audio de salida o formato PCM sin procesar; por defecto mp3.

Opciones:pcmwavmp3opus

volumeintegerOpcionalPredeterminado: 50min 0max 100

Volumen de salida; rango de 0 a 100; por defecto 50.

bit_rateintegerOpcionalPredeterminado: 32min 6max 510

Tasa de bits de la codificación Opus, en kbps; por defecto 32; este parámetro solo surte efecto cuando format es opus.

instructionstringOpcionalminLength 1

Instrucción opcional de estilo de síntesis, usada para añadir requisitos de control de la síntesis; si no se proporciona, se sintetiza de la forma predeterminada.

sample_rateintegerOpcionalPredeterminado: 22050

Frecuencia de muestreo del audio de salida, en Hz; por defecto 22050.

Opciones:80001600022050240004410048000

language_hintsarrayOpcionalminItems 1maxItems 1

Arreglo opcional de indicaciones de idioma; Qwen solo procesa el primer elemento del arreglo.

Array [ string ]

callbackobjectOpcional

Configuración de notificación de estado terminal. Si se omite, no hay callback: consulta la tarea por tu cuenta.

Callbacks (Webhook)

Indica callback.url al crear y HiAPI hará POST a tu servicio en el estado terminal, sin necesidad de sondeo. El cuerpo del callback replica la estructura del detalle de la tarea; firma, reintentos e idempotencia se detallan en la introducción de la API asíncrona unificada.

urlstringObligatorio

Obligatorio si se incluye callback. Al estado terminal se envía un POST a esta URL; debe ser una URL http(s) válida.

whenstringOpcionalPredeterminado: "final"

Actualmente solo se admite final: notifica tanto en success como en fail.

Opciones:final

storagestringOpcionalPredeterminado: "temp"

Nivel de almacenamiento de artefactos: temp (por defecto, ~7 días) o persistent (largo plazo, facturado por tamaño). Saldo insuficiente o exceso de límite ⇒ degradación silenciosa a temp; el nivel efectivo se muestra en la respuesta del detalle.

Opciones:temppersistent

Ejemplos de solicitud

# Envía una tarea asíncrona; devuelve un taskId de inmediato (sin esperar la generación)
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-flash",
  "input": {
    "rate": 1,
    "seed": 0,
    "text": "…",
    "pitch": 1,
    "voice": "longanhuan_v3.6",
    "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-flash",
    input: {
      "rate": 1,
      "seed": 0,
      "text": "…",
      "pitch": 1,
      "voice": "longanhuan_v3.6",
      "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-flash",
        "input": {
          "rate": 1,
          "seed": 0,
          "text": "…",
          "pitch": 1,
          "voice": "longanhuan_v3.6",
          "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"
}

Obtener el detalle de la tarea

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

Campos de respuesta

taskIdstringObligatorio

ID de tarea, siempre con prefijo tk-hiapi-.

modelstringObligatorio

Nombre completo resuelto del modelo. Las tareas enviadas con el parámetro route devuelven base@route (p. ej. gpt-image-2/text-to-image@ext); si no, coincide con el nombre enviado.

routestringOpcional

Solo aparece si se usó el parámetro route explícito; repite el valor enviado.

statusstringObligatorio

Estado de la tarea.

Valores de estado

queued En cola, sin iniciar. handling Procesando. archiving Proceso terminado, preparando artefactos. success Terminal: completado, artefactos disponibles (se devuelve output). fail Terminal: error (se devuelve error). Tras el envío, guíate por status: success y fail son terminales; el resto, no. Sondea cada 1–3 s hasta el estado terminal. Con éxito, descarga los artefactos desde output[].url y transfiérelos antes de expireAt; para retención larga usa storage: "persistent" al crear.

creatednumberObligatorio

Hora de creación de la tarea (segundos Unix).

completednumberObligatorio

Segundos Unix al alcanzar estado terminal; 0 mientras no sea terminal.

outputarrayOpcional

Solo con status == success. Lista de artefactos — siempre un array; una tarea puede devolver varios types a la vez (p. ej. video + first_frame).

Array [ object ]

Elementos del array

urlstringObligatorio

URL del artefacto, descargable directamente.

typestringObligatorio

Valores posibles actuales: video, image, audio, first_frame, last_frame, thumbnail; podrían ampliarse más adelante.

expireAtnumberObligatorio

Segundos Unix hasta los que el artefacto es accesible; descárgalo o transfiérelo antes.

errorobjectOpcional

Solo con status == fail.

codestringObligatorio

Código de error de negocio.

messagestringObligatorio

Descripción del error.

Ejemplos de respuesta

Éxito

{
  "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
      }
    ]
  }
}

En proceso (no terminal)

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

Fallido

{
  "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"
    }
  }
}