Qwen-Audio 3.0 TTS Plus: модель синтеза речи для озвучивания товаров в электронной коммерции

Qwen-Audio 3.0 TTS Plus — это модель преобразования текста в речь, а не генератор изображений. Так что если вы пришли сюда в поисках AI-изображений товаров, вам на самом деле нужна модель изображений вроде GPT Image 2. Эта модель действительно хорошо умеет за считанные секунды превращать готовый сценарий в чистую озвучку — а именно аудио чаще всего и нужно командам электронной коммерции: закадровый голос для видео о товарах, рекламные голосовые объявления и локализация текстов для трансграничных товаров с переключением языков внутри одного предложения. Ниже — две реальные озвучки, сгенерированные нами через эндпоинт /v1/tasks в HiAPI, а также структура интерфейса, цены и описание рабочего процесса интеграции в процесс выкладки товаров.

Для чего команды электронной коммерции на самом деле используют TTS

Большинству магазинов не нужен штатный актёр озвучивания — им нужен быстрый и воспроизводимый способ добавлять закадровый голос к коротким видео о товарах, создавать звуковые дорожки для промо-роликов на платформах вроде TikTok Shop или Reels и локализовать тексты для покупателей на тех рынках, где они хотят слышать язык своих покупок. Генерация озвучки нескольких секунд сценария по требованию для каждого SKU закрывает все три потребности без студии звукозаписи.

Две реальные озвучки: от запроса до готового результата

Мы отправили модели два реальных сценария (не текст-заполнитель), чтобы посмотреть на фактический результат и стоимость.

Тест 1: озвучка англоязычного видео о товаре

Запрос:

{
  "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"
  }
}

Реальный результат:

{
  "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
    }
  ]
}

Это сценарий из 178 символов, сгенерированный за 8 секунд и стоивший около 0,007 доллара. Мы не задавали format, поэтому по умолчанию вывод в MP3 — дополнительное кодирование перед тем, как перетащить дорожку в видеоредактор, не нужно.

Тест 2: двуязычная озвучка трансграничного товара на китайском и английском

Запрос:

{
  "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
  }
}

Реальный результат:

{
  "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
    }
  ]
}

В этом сценарии 138 символов, и он смешивает китайский и английский в середине предложения — отдельный языковой флаг не нужен. Модель просто читает содержимое text и чисто переключается между двумя языками в одной аудиодорожке. Генерация заняла 9 секунд и стоила около 0,0055 доллара.

К тому моменту, как вы прочитаете эту статью, обе аудиозаписи почти наверняка уже истекут: режим storage по умолчанию — temp, а expireAt примерно на 7 дней позже created. Это ожидаемое поведение, а не сбой — относитесь к ним как к записи реального качества вывода и затрат времени; в продакшене сразу после завершения задачи скачивайте output[0].url и заново размещайте файл в собственном хранилище.

Кратко о структуре интерфейса и ценах

Структура запроса небольшая и строгая (лишние поля отклоняются):

• text (строка, обязательно) — сценарий для озвучивания
• voice (перечисление, обязательно) — longanlingxin или longanlufeng, доступны только эти два варианта
• format (перечисление, необязательно) — mp3 (по умолчанию), wav, pcm или opus
• sample_rate (перечисление, необязательно) — одно из значений 8000, 16000, 22050, 24000, 44100, 48000
• pitch (число, необязательно) — от 0,5 до 2
• volume (число, необязательно) — от 0 до 100

У этой модели нет управления эмоциями, темпом речи или SSML — тон и ритм целиком зависят от того, как вы расставите знаки препинания и паузы в сценарии.

Цена составляет 0,04 доллара за 1000 символов, что подтверждено эндпоинтом актуальных цен HiAPI. Описание товара из 150 символов стоит намного меньше цента; 500 таких коротких описаний обойдутся примерно в 3 доллара. На странице модели Qwen-Audio 3.0 TTS Plus есть работающий Playground — используйте его, если хотите протестировать собственный сценарий и послушать оба голоса до подключения API.

Интеграция в процесс выкладки товаров или видео

1. Напишите (или локализуйте) сценарий так, как он должен звучать при чтении вслух.
2. Отправьте запрос на POST /v1/tasks с моделью, сценарием в text и параметром voice.
3. Опрашивайте GET /v1/tasks/<id> — или используйте колбэк — пока status не станет success.
4. Сразу скачайте output[0].url; не сохраняйте временные ссылки.
5. Заново разместите MP3 в собственном хранилище или CDN.
6. Поместите его на голосовую дорожку в видеоредакторе или прикрепите напрямую к странице товара.

Установите заголовок Idempotency-Key в запросе на создание задачи, чтобы повторные вызовы после тайм-аута не создавали (и не тарифицировали) дублирующиеся аудиофрагменты. Полное описание запросов и ответов по каждому полю см. в нашем руководстве по API qwen-audio-3.0-tts-plus.

Чего она не умеет

• Нет параметров эмоций или темпа речи. Если какой-то фразе нужна большая выразительность, перепишите её более короткими предложениями и более чёткими знаками препинания, а не ищите настройку тембра.
• Только аудио. Она не обрабатывает визуальную часть страницы товара — фотографии товаров и видеоматериалы требуют модели изображений или видео.
• По умолчанию временное хранилище. Если вы не запросите постоянное хранилище, ссылки действительны около 7 дней; с первого дня включайте шаг повторного размещения в свой процесс.
• Всего два голоса. Если всему каталогу товаров нужен единый фирменный голос, это на самом деле ограничение, на которое можно опереться — каждый SKU использует те же два голоса, а не случайный выбор каждый раз.

Частые вопросы

Поддерживает ли qwen-audio-3.0-tts-plus эмоциональную или выразительную речь?

Нет. Интерфейс предоставляет только pitch (0,5–2) и volume (0–100), без управления эмоциями, стилем или SSML. Выразительность определяется тем, как написан сценарий и расставлены знаки препинания.

Может ли qwen-audio-3.0-tts-plus озвучить смешанный китайско-английский текст за один запрос?

Да — наш второй тест выше смешал китайский и английский в одном поле text, и модель чисто переключилась между ними без отдельного языкового параметра.

Как долго хранятся выходные файлы qwen-audio-3.0-tts-plus?

По умолчанию storage имеет значение temp, а expireAt наступает примерно через 7 дней после завершения задачи. Если нужно долгосрочное хранение, скачайте и заново разместите файл до закрытия этого окна.

Какие аудиоформаты поддерживает qwen-audio-3.0-tts-plus?

mp3 (по умолчанию), wav, pcm и opus — задаются необязательным полем format.

Есть ли более дешёвый тариф Qwen-Audio TTS?

Да, Qwen-Audio 3.0 TTS Flash из той же серии стоит 0,03 доллара за 1000 символов, а Plus — 0,04 доллара. Обе модели используют одинаковую структуру API на основе задач.

Попробуйте сами

Если для выкладки ваших товаров нужно озвучивание, а не больше изображений, Qwen-Audio 3.0 TTS Plus — быстрый и недорогой способ это сделать: сначала прогоните сценарий в Playground на странице модели, послушайте каждый голос, а затем напишите сценарии для всего каталога товаров. Другие модели речи и музыки смотрите в коллекции AI Audio API HiAPI.