Qwen-Audio 3.0 TTS Plus: modelo de síntese de voz para dublagem em e-commerce

O Qwen-Audio 3.0 TTS Plus é um modelo de conversão de texto em fala, não um gerador de imagens — portanto, se você veio até aqui procurando imagens de produtos com IA, a ferramenta de que realmente precisa é um modelo de imagem como o GPT Image 2. O que este modelo realmente faz bem é transformar um roteiro pronto em uma narração limpa em questão de segundos, e é exatamente nesse cenário que a maioria das equipes de e-commerce precisa de áudio: narração para vídeos de produto, locuções promocionais e textos de produto transfronteiriços que alternam de idioma na mesma frase. Abaixo estão duas narrações reais geradas por meio do endpoint /v1/tasks da HiAPI, junto com a estrutura da interface, o preço e uma descrição do fluxo de trabalho para integrá-lo ao processo de publicação de produtos.

Para que as equipes de e-commerce realmente usam TTS

A maioria das lojas não precisa contratar um dublador em tempo integral — elas precisam de uma forma rápida e repetível de narrar conteúdo de vídeo curto de produtos, adicionar faixas de áudio a clipes promocionais para plataformas como TikTok Shop ou Reels e localizar textos de produto para compradores nos mercados que desejam ouvir no idioma de compra que usam. Gerar a narração de um roteiro de alguns segundos sob demanda para cada SKU cobre essas três necessidades sem precisar entrar em um estúdio de gravação.

Duas narrações reais, da requisição ao resultado final

Enviamos dois roteiros reais (não textos de exemplo) ao modelo para ver o efeito e o custo da saída real.

Teste 1: narração de vídeo de produto em inglês

Requisição:

{
  "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
    }
  ]
}

Este é um roteiro de 178 caracteres, gerado em 8 segundos, com custo de aproximadamente US$ 0,007. Não definimos format, então a saída padrão foi MP3 — não é necessário fazer uma codificação separada antes de arrastar para a faixa de voz do software de edição de vídeo.

Teste 2: narração bilíngue chinês-inglês de produto transfronteiriço

Requisição:

{
  "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 roteiro tem 138 caracteres e mistura chinês e inglês no meio das frases — não é preciso definir um indicador de idioma separado. O modelo lê diretamente o conteúdo de text e alterna entre os dois idiomas de forma limpa na mesma faixa de áudio. A geração levou 9 segundos e custou aproximadamente US$ 0,0055.

Quando você ler este artigo, os dois áudios acima quase certamente já terão expirado: o modo padrão de storage é temp, e expireAt fica cerca de 7 dias após created. Isso é o comportamento esperado, não uma falha — trate-os como um registro real da qualidade e do tempo de saída; em produção, baixe output[0].url imediatamente após a conclusão da tarefa e re-hospede-o no seu próprio armazenamento.

Estrutura da interface e preço em resumo

A estrutura da requisição é pequena e estrita (campos extras são rejeitados):

• text (string, obrigatório) — o roteiro a ser lido
• voice (enum, obrigatório) — longanlingxin ou longanlufeng, apenas essas duas opções
• format (enum, opcional) — mp3 (padrão), wav, pcm ou opus
• sample_rate (enum, opcional) — um entre 8000, 16000, 22050, 24000, 44100, 48000
• pitch (número, opcional) — 0,5 a 2
• volume (número, opcional) — 0 a 100

Este modelo não tem controle de emoção, velocidade de fala ou SSML — o tom e o ritmo dependem inteiramente de como você pontua e segmenta o roteiro.

O preço é de US$ 0,04 por 1.000 caracteres, confirmado pelo endpoint de preços em tempo real da HiAPI. Uma descrição de produto de 150 caracteres custa bem menos de 1 centavo; 500 descrições curtas desse tamanho custam cerca de US$ 3 no total. A página do modelo Qwen-Audio 3.0 TTS Plus tem um Playground em tempo real, que você pode usar diretamente se quiser testar seu próprio roteiro e ouvir as duas vozes antes de integrar a API.

Integração ao fluxo de publicação de produtos ou de vídeo

1. Escreva (ou localize) o roteiro pensando em como ele será lido em voz alta.
2. Envie uma requisição para POST /v1/tasks, com o modelo, o roteiro em text e a voice.
3. Consulte periodicamente GET /v1/tasks/<id> — ou use um callback — até que status seja success.
4. Baixe output[0].url imediatamente; não salve o link temporário.
5. Re-hospede o MP3 no seu próprio armazenamento ou CDN.
6. Insira-o na faixa de voz do software de edição de vídeo ou anexe-o diretamente à página do produto.

Defina o cabeçalho de requisição Idempotency-Key na requisição de criação da tarefa, para que uma chamada repetida após um timeout não gere (e cobre) um trecho de áudio duplicado. Para a descrição completa, campo a campo, da requisição e da resposta, consulte nosso tutorial da API qwen-audio-3.0-tts-plus.

O que ele não faz

• Não tem parâmetros de emoção ou velocidade de fala. Se uma frase precisa de mais impacto, reescreva-a com frases mais curtas e pontuação mais clara, em vez de procurar um ajuste de voz.
• Apenas áudio. Ele não processa a parte visual da página do produto — fotos de produto e materiais de vídeo exigem um modelo de imagem ou de vídeo.
• Usa armazenamento temporário por padrão. A menos que você solicite armazenamento persistente, o link é válido por cerca de 7 dias; inclua a etapa de re-hospedagem no seu fluxo desde o primeiro dia.
• Apenas duas vozes. Se o catálogo inteiro precisa de uma voz de marca consistente, isso é na verdade uma restrição com a qual você pode contar — use as mesmas duas vozes para cada SKU, em vez de escolher aleatoriamente a cada vez.

Perguntas frequentes

O qwen-audio-3.0-tts-plus suporta fala com emoção ou expressiva?

Não. A interface expõe apenas pitch (0,5–2) e volume (0–100), sem controle de emoção, estilo ou SSML. A expressividade vem da forma como o roteiro é escrito e pontuado.

O qwen-audio-3.0-tts-plus consegue ler texto misto de chinês e inglês em uma única requisição?

Sim — nosso segundo teste acima misturou chinês e inglês no mesmo campo text, e o modelo alterna entre os dois de forma limpa, sem precisar definir um parâmetro de idioma separado.

Por quanto tempo os arquivos de saída do qwen-audio-3.0-tts-plus ficam disponíveis?

Por padrão, storage é temp e expireAt fica cerca de 7 dias após a conclusão da tarefa. Se você precisa de armazenamento de longo prazo, baixe e re-hospede o arquivo antes que esse prazo termine.

Quais formatos de áudio o qwen-audio-3.0-tts-plus suporta?

mp3 (padrão), wav, pcm e opus, definidos pelo campo opcional format.

Existe uma versão mais barata do Qwen-Audio TTS?

Sim, o Qwen-Audio 3.0 TTS Flash da mesma família custa US$ 0,03 por 1.000 caracteres, enquanto o Plus custa US$ 0,04. Ambos compartilham a mesma estrutura de API baseada em tarefas.

Experimente você mesmo

Se a publicação dos seus produtos precisa de narração em vez de mais imagens, o Qwen-Audio 3.0 TTS Plus é uma forma rápida e de baixo custo de fazer isso — execute um roteiro no Playground da página do modelo, ouça cada voz e depois escreva os roteiros para o catálogo inteiro. Para outros modelos de voz e música, explore a coleção de APIs de áudio com IA da HiAPI.