Qwen-Audio 3.0 TTS Plus: modello di sintesi vocale per il doppiaggio nell'e-commerce

Qwen-Audio 3.0 TTS Plus è un modello di sintesi vocale da testo, non un generatore di immagini — quindi se sei qui cercando immagini di prodotti generate dall'AI, lo strumento che fa per te è un modello di immagini come GPT Image 2. Ciò in cui questo modello eccelle davvero è trasformare uno script già scritto in un doppiaggio pulito e curato in pochi secondi, ed è esattamente lo scenario in cui la maggior parte dei team e-commerce ha bisogno di audio: voce fuori campo per video di prodotto, annunci vocali promozionali e testi di prodotto transfrontalieri che alternano lingue nella stessa frase. Di seguito trovi due doppiaggi reali generati tramite l'endpoint /v1/tasks di HiAPI, insieme alla struttura dell'interfaccia, ai prezzi e alla descrizione del flusso di lavoro per integrarlo nella pubblicazione dei prodotti.

A cosa serve davvero il TTS ai team e-commerce

La maggior parte dei negozi non ha bisogno di assumere un doppiatore a tempo indeterminato: ha bisogno di un modo rapido e ripetibile per aggiungere la voce fuori campo ai contenuti video brevi dei prodotti, inserire una traccia audio nei video promozionali su piattaforme come TikTok Shop o Reels e localizzare i testi di prodotto per gli acquirenti dei mercati che vogliono ascoltare la lingua in cui fanno acquisti. Generare su richiesta pochi secondi di doppiaggio dello script per ogni SKU copre queste tre esigenze senza entrare in studio di registrazione.

Due doppiaggi reali, dalla richiesta al prodotto finito

Abbiamo sottoposto al modello due script reali (non testi segnaposto) per vedere l'effetto e il costo dell'output effettivo.

Test 1: doppiaggio di un video di prodotto in inglese

Richiesta:

{
  "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"
  }
}

Risultato reale:

{
  "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
    }
  ]
}

Si tratta di uno script di 178 caratteri, generato in 8 secondi, al costo di circa 0,007 dollari. Non abbiamo impostato format, quindi l'output predefinito è MP3 — non serve una codifica separata prima di trascinarlo nella traccia vocale del software di montaggio video.

Test 2: voce fuori campo bilingue cinese-inglese per prodotti transfrontalieri

Richiesta:

{
  "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
  }
}

Risultato reale:

{
  "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
    }
  ]
}

Questo script conta 138 caratteri e mescola cinese e inglese a metà frase — non serve impostare un flag di lingua separato. Il modello legge direttamente il contenuto di text e passa da una lingua all'altra in modo pulito nella stessa traccia audio. La generazione ha richiesto 9 secondi e circa 0,0055 dollari.

Quando leggerai questo articolo, i due file audio qui sopra saranno quasi certamente scaduti: la modalità storage predefinita è temp e expireAt corrisponde a circa 7 giorni dopo created. È il comportamento previsto, non un malfunzionamento — considerali come una testimonianza della qualità e dei tempi di output reali; in produzione, scarica output[0].url non appena l'attività è completata e riallocalo sul tuo storage.

Struttura dell'interfaccia e prezzi in breve

La struttura della richiesta è compatta e rigorosa (i campi in eccesso vengono rifiutati):

• text (stringa, obbligatorio) — lo script da leggere ad alta voce
• voice (enum, obbligatorio) — longanlingxin o longanlufeng, solo queste due opzioni
• format (enum, facoltativo) — mp3 (predefinito), wav, pcm o opus
• sample_rate (enum, facoltativo) — uno tra 8000, 16000, 22050, 24000, 44100, 48000
• pitch (numero, facoltativo) — da 0,5 a 2
• volume (numero, facoltativo) — da 0 a 100

Questo modello non offre controlli su emozione o velocità di parlato né SSML — tono e ritmo dipendono interamente da come aggiungi punteggiatura e pause nello script.

Il prezzo è di 0,04 dollari ogni 1.000 caratteri, confermato dall'endpoint dei prezzi in tempo reale di HiAPI. Una descrizione di prodotto di 150 caratteri costa molto meno di 1 centesimo; 500 descrizioni brevi di questa lunghezza costano complessivamente circa 3 dollari. La pagina del modello Qwen-Audio 3.0 TTS Plus dispone di un Playground in tempo reale: puoi usarlo direttamente se vuoi testare il tuo script e ascoltare entrambe le voci prima di integrare l'API.

Integrazione nella pubblicazione dei prodotti o nel flusso di lavoro video

1. Scrivi (o localizza) lo script in base a come deve suonare letto ad alta voce.
2. Invia una richiesta a POST /v1/tasks con il modello, lo script in text e la voice.
3. Esegui il polling di GET /v1/tasks/<id> — oppure usa un callback — finché status non è success.
4. Scarica subito output[0].url; non salvare i link temporanei.
5. Rialloca l'MP3 sul tuo storage o CDN.
6. Inseriscilo nella traccia vocale del software di montaggio video oppure allegalo direttamente alla pagina del prodotto.

Imposta l'header Idempotency-Key sulla richiesta di creazione dell'attività, così le chiamate ritentate dopo un timeout non generano (e fatturano) segmenti audio duplicati. Per la descrizione completa campo per campo di richiesta e risposta, consulta il nostro tutorial API di qwen-audio-3.0-tts-plus.

Cosa non può fare

• Nessun parametro per emozione o velocità. Se una frase deve essere più espressiva, riscrivila con frasi più brevi e punteggiatura più chiara invece di cercare un'impostazione della voce.
• Solo audio. Non gestisce la parte visiva della pagina prodotto — le foto dei prodotti e i materiali video richiedono un modello di immagini o video.
• Storage temporaneo per impostazione predefinita. A meno che tu non richieda uno storage persistente, i link sono validi per circa 7 giorni; includi il passaggio di riallocazione nel tuo flusso di lavoro fin dal primo giorno.
• Solo due voci. Se l'intero catalogo prodotti necessita di una voce di marca coerente, questo è in realtà un vincolo su cui puoi contare — usa le stesse due voci per ogni SKU, invece di sceglierle a caso ogni volta.

Domande frequenti

qwen-audio-3.0-tts-plus supporta voci emotive o espressive?

No. L'interfaccia espone solo pitch (0,5–2) e volume (0–100), senza controlli su emozione, stile o SSML. L'espressività deriva da come è scritto lo script e dalla sua punteggiatura.

qwen-audio-3.0-tts-plus può leggere testo misto cinese-inglese in un'unica richiesta?

Sì — il nostro secondo test qui sopra mescola cinese e inglese nello stesso campo text e il modello passa dall'una all'altra in modo pulito, senza bisogno di impostare un parametro di lingua separato.

Per quanto tempo vengono conservati i file di output di qwen-audio-3.0-tts-plus?

Per impostazione predefinita storage è temp e expireAt scade circa 7 giorni dopo il completamento dell'attività. Se hai bisogno di conservarli a lungo, scarica e rialloca i file prima che questa finestra si chiuda.

Quali formati audio supporta qwen-audio-3.0-tts-plus?

mp3 (predefinito), wav, pcm e opus, impostabili tramite il campo facoltativo format.

Esiste un livello Qwen-Audio TTS più economico?

Sì, lo stesso Qwen-Audio 3.0 TTS Flash della stessa famiglia costa 0,03 dollari ogni 1.000 caratteri, mentre Plus costa 0,04 dollari. Entrambi condividono la stessa forma di API basata su attività.

Provalo tu stesso

Se la tua pubblicazione di prodotti ha bisogno di voce fuori campo anziché di altre immagini, Qwen-Audio 3.0 TTS Plus è un modo rapido ed economico per ottenerla — esegui prima uno script nel Playground della pagina del modello, ascolta ogni voce, poi scrivi gli script per l'intero catalogo prodotti. Per altri modelli vocali e musicali, esplora la raccolta di API audio AI di HiAPI.