Qwen-Audio 3.0 TTS Plus : un modèle de synthèse vocale pour les voix off e-commerce

Qwen-Audio 3.0 TTS Plus est un modèle de synthèse vocale (texte vers parole), pas un générateur d'images — donc si vous êtes venu ici en cherchant des images produits par IA, l'outil qu'il vous faut est un modèle d'image comme GPT Image 2. Ce que ce modèle sait vraiment faire, c'est transformer un script déjà écrit en une voix off propre et nette en quelques secondes, ce qui correspond exactement au besoin audio réel de la plupart des équipes e-commerce : la narration de vidéos produit, les annonces promotionnelles, et la localisation de fiches produit transfrontalières qui alternent plusieurs langues au sein d'une même phrase. Ci-dessous, deux véritables voix off générées via notre endpoint /v1/tasks de HiAPI, accompagnées de la structure de l'API, du tarif et d'un workflow d'intégration à votre processus de mise en ligne de produits.

À quoi sert réellement le TTS pour une équipe e-commerce

La plupart des boutiques n'ont pas besoin d'embaucher un comédien de doublage à l'année — elles ont besoin d'un moyen rapide et répétable d'ajouter une voix off aux contenus vidéo courts des produits, de fournir une piste audio aux vidéos promotionnelles destinées à TikTok Shop ou Reels, et de localiser les fiches produit pour les acheteurs des marchés dont ils veulent entendre la langue d'achat. Générer à la demande quelques secondes de voix off scriptée pour chaque SKU permet de couvrir ces trois besoins sans passer par un studio d'enregistrement.

Deux vraies voix off, de la requête au fichier final

Nous avons soumis au modèle deux scripts réels (pas de texte de remplissage) pour voir le rendu effectif et le coût.

Test 1 : voix off d'une vidéo produit en anglais

Requête :

{
  "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"
  }
}

Résultat réel :

{
  "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
    }
  ]
}

Il s'agit d'un script de 178 caractères, généré en 8 secondes, pour un coût d'environ 0,007 dollar. Nous n'avons pas défini format, la sortie est donc en MP3 par défaut — aucune étape d'encodage supplémentaire n'est nécessaire avant de glisser le fichier dans une piste voix de votre logiciel de montage vidéo.

Test 2 : voix off bilingue chinois-anglais pour un produit transfrontalier

Requête :

{
  "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
  }
}

Résultat réel :

{
  "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
    }
  ]
}

Ce script comporte 138 caractères et mélange le chinois et l'anglais au milieu des phrases — sans aucun indicateur de langue séparé. Le modèle lit directement le contenu de text et bascule proprement entre les deux langues dans un même fichier audio. La génération a pris 9 secondes pour un coût d'environ 0,0055 dollar.

Au moment où vous lirez cet article, les deux fichiers audio ci-dessus auront presque certainement expiré : le mode storage par défaut est temp, et expireAt se situe environ 7 jours après created. C'est le comportement attendu, pas un bug — considérez-les comme une trace de la qualité et des délais de sortie réels ; en production, téléchargez output[0].url dès que la tâche est terminée et réhébergez-le sur votre propre stockage.

Structure de l'API et tarif en bref

La structure de la requête est compacte et stricte (les champs superflus sont rejetés) :

• text (chaîne, obligatoire) — le script à lire
• voice (énumération, obligatoire) — longanlingxin ou longanlufeng, seules ces deux options sont disponibles
• format (énumération, facultatif) — mp3 (par défaut), wav, pcm ou opus
• sample_rate (énumération, facultatif) — l'une des valeurs 8000, 16000, 22050, 24000, 44100, 48000
• pitch (nombre, facultatif) — de 0,5 à 2
• volume (nombre, facultatif) — de 0 à 100

Ce modèle ne propose aucun contrôle d'émotion, de débit ou de SSML — le ton et le rythme dépendent entièrement de la manière dont vous ponctuez et segmentez votre script.

Le tarif est de 0,04 dollar pour 1 000 caractères, confirmé via l'endpoint de tarification en temps réel de HiAPI. Une courte description produit de 150 caractères coûte bien moins d'un centime ; 500 courtes descriptions de cette longueur reviennent à environ 3 dollars au total. La page du modèle Qwen-Audio 3.0 TTS Plus propose un Playground en temps réel que vous pouvez utiliser directement si vous souhaitez tester votre propre script et écouter les deux voix avant d'intégrer l'API.

Intégration à votre workflow de mise en ligne produit ou vidéo

1. Rédigez (ou localisez) le script en fonction du rendu à l'oral.
2. Envoyez une requête à POST /v1/tasks avec le modèle, le script dans text et le voice.
3. Interrogez GET /v1/tasks/<id> — ou utilisez un callback — jusqu'à ce que status soit success.
4. Téléchargez immédiatement output[0].url ; ne conservez pas de liens temporaires.
5. Réhébergez le MP3 sur votre propre stockage ou CDN.
6. Placez-le dans la piste voix de votre logiciel de montage vidéo, ou joignez-le directement à la page produit.

Définissez l'en-tête Idempotency-Key sur la requête de création de tâche, afin qu'un appel réessayé après un timeout ne génère pas (et ne facture pas) un doublon audio. Pour la description complète champ par champ des requêtes et réponses, consultez notre tutoriel API qwen-audio-3.0-tts-plus.

Ce qu'il ne sait pas faire

• Pas de paramètre d'émotion ni de débit. Si une phrase doit être plus expressive, réécrivez-la avec des phrases plus courtes et une ponctuation plus nette, plutôt que de chercher un réglage de voix.
• Audio uniquement. Il ne traite pas la partie visuelle des pages produit — les photos et les visuels vidéo des produits nécessitent un modèle d'image ou de vidéo.
• Stockage temporaire par défaut. Sauf si vous demandez un stockage persistant, les liens sont valides environ 7 jours ; intégrez l'étape de réhébergement à votre processus dès le premier jour.
• Seulement deux voix. Si votre catalogue entier a besoin d'une voix de marque cohérente, c'est en fait une contrainte sur laquelle vous pouvez vous appuyer — utilisez les deux mêmes voix pour chaque SKU, plutôt que d'en choisir une au hasard à chaque fois.

Questions fréquentes

qwen-audio-3.0-tts-plus prend-il en charge une voix émotionnelle ou expressive ?

Non. L'API n'expose que pitch (0,5–2) et volume (0–100), sans contrôle d'émotion, de style ou de SSML. L'expressivité vient de la rédaction du script lui-même et de sa ponctuation.

qwen-audio-3.0-tts-plus peut-il lire un texte mixte chinois-anglais en une seule requête ?

Oui — notre deuxième test ci-dessus mélangeait le chinois et l'anglais dans le même champ text, et le modèle bascule proprement entre les deux, sans paramètre de langue séparé à définir.

Combien de temps les fichiers de sortie de qwen-audio-3.0-tts-plus sont-ils conservés ?

Par défaut, storage vaut temp et expireAt se situe environ 7 jours après la fin de la tâche. Si vous avez besoin d'une conservation à long terme, téléchargez et réhébergez le fichier avant la fermeture de cette fenêtre.

Quels formats audio qwen-audio-3.0-tts-plus prend-il en charge ?

mp3 (par défaut), wav, pcm et opus, définis via le champ facultatif format.

Existe-t-il un niveau de Qwen-Audio TTS moins cher ?

Oui, le Qwen-Audio 3.0 TTS Flash de la même série est facturé 0,03 dollar pour 1 000 caractères, contre 0,04 dollar pour la version Plus. Les deux partagent la même forme d'API basée sur des tâches.

Essayez par vous-même

Si votre mise en ligne de produits a besoin de voix off plutôt que de nouvelles images, Qwen-Audio 3.0 TTS Plus est une solution rapide et peu coûteuse — testez d'abord un script dans le Playground de la page du modèle, écoutez chaque voix, puis rédigez les scripts pour l'ensemble de votre catalogue. Pour découvrir d'autres modèles de voix et de musique, parcourez la collection d'API audio IA de HiAPI.