使用指南
Qwen-Audio 3.0 TTS Plus：面向电商配音的语音合成模型
Qwen-Audio 3.0 TTS Plus 是一个文本转语音模型，不是图像生成器——所以如果你来这里是想找 AI 商品图，那你真正需要的工具是像 GPT Image 2 这样的图像模型。这个模型真正擅长的是在几秒内把一段写好的脚本变成干净利落的配音，而这正是大多数电商团队实际需要音频的场景：商品视频旁白、促销语音、以及在同一句话里切换语言的跨境商品文案。下面是我们通过 HiAPI 的 /v1/tasks 端点生成的两段真实配音，另外还附上了接口结构、价格和接入商品上架流程的工作流说明。
电商团队到底用 TTS 做什么
大多数店铺不需要长期雇一位配音演员——他们需要的是一种快速、可重复的方式，为短视频商品内容配旁白、为 TikTok Shop 或 Reels 等平台的推广短片添加音轨，并为那些希望听到自己所使用购物语言的市场的买家做商品文案本地化。每个 SKU 按需生成几秒钟的脚本配音，就能在不进录音棚的情况下覆盖这三种需求。
两段真实配音，从请求到成品
我们把两段真实的脚本（不是占位文本）交给模型跑了，看看实际输出的效果和成本。
测试 1：英文商品视频配音
请求：
{
"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"
}
}
真实结果：
{
"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
}
]
}
这是一段 178 个字符的脚本，8 秒生成完毕，花费约 0.007 美元。我们没有设置 format，所以输出默认是 MP3——在拖进视频剪辑软件的语音轨道之前，不需要再单独做一次编码。
测试 2：中英双语跨境商品旁白
请求：
{
"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
}
}
真实结果：
{
"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
}
]
}
这段脚本有 138 个字符，并且在句子中间混用了中文和英文——不需要单独设置语言标志。模型会直接读取 text 里的内容，在同一段音频里干净利落地在两种语言之间切换。生成耗时 9 秒，花费约 0.0055 美元。
等你读到这篇文章时，上面两段音频几乎肯定已经过期了：默认 storage 模式是 temp，expireAt 大约是 created 之后 7 天。这是预期行为，不是故障——请把它们当作真实输出质量与耗时的记录；在生产环境中，任务一完成就立刻下载 output[0].url 并重新托管到你自己的存储上。
接口结构与价格简述
请求结构很小且严格（多余字段会被拒绝）：
text（字符串，必填）——要朗读的脚本voice（枚举，必填）——longanlingxin或longanlufeng，仅此两种可选format（枚举，可选）——mp3（默认）、wav、pcm或opussample_rate（枚举，可选）——8000、16000、22050、24000、44100、48000 之一pitch（数字，可选）——0.5 到 2volume（数字，可选）——0 到 100
这个模型没有情绪、语速或 SSML 控制——语气和节奏完全取决于你如何给脚本加标点和断句。
价格为每 1,000 个字符 0.04 美元，已通过 HiAPI 的实时价格端点确认。一段 150 个字符的商品简介花费远低于 1 美分；500 条这种长度的短简介总成本约为 3 美元。Qwen-Audio 3.0 TTS Plus 模型页面有一个实时 Playground，如果你想在接入 API 之前测试自己的脚本并试听两种音色，可以直接使用。
接入商品上架或视频工作流
- 按朗读时的实际效果来撰写（或本地化）脚本。
- 向
POST /v1/tasks发送请求，带上模型、text里的脚本和voice。 - 轮询
GET /v1/tasks/<id>——或使用回调——直到status为success。 - 立即下载
output[0].url；不要保存临时链接。 - 把 MP3 重新托管到你自己的存储或 CDN 上。
- 将其放入视频剪辑软件的语音轨道，或直接附到商品页面上。
在创建任务的请求上设置 Idempotency-Key 请求头，这样超时后重试的调用就不会生成（并计费）重复的音频片段。完整的逐字段请求与响应说明，请参阅我们的 qwen-audio-3.0-tts-plus API 教程。
它做不到的事
- 没有情绪或语速参数。如果某句话需要更有感染力，应改用更短的句子和更清晰的标点来重写，而不是寻找音色设置。
- 仅音频。它不会处理商品页面的视觉部分——商品照片和视频素材需要搭配图像或视频模型。
- 默认使用临时存储。除非你请求持久化存储，否则链接有效期约为 7 天；从第一天起就把重新托管步骤纳入你的流程。
- 只有两种音色。如果整个商品目录需要一致的品牌音色，这其实是一个可以依赖的约束——每个 SKU 都使用同样这两种音色，而不是每次随机挑选。
常见问题
qwen-audio-3.0-tts-plus 支持带情绪或有表现力的语音吗？
不支持。接口只暴露 pitch（0.5–2）和 volume（0–100），没有情绪、风格或 SSML 控制。表现力来自脚本本身的写法和标点。
qwen-audio-3.0-tts-plus 可以在一次请求中朗读中英混合文本吗？
可以——我们上面的第二个测试在同一个 text 字段里混用了中文和英文，模型能在两者之间干净切换，不需要设置单独的语言参数。
qwen-audio-3.0-tts-plus 的输出文件能保留多久？
默认情况下，storage 为 temp，expireAt 大约在任务完成后 7 天。如果你需要长期保存，请在该窗口关闭前下载并重新托管文件。
qwen-audio-3.0-tts-plus 支持哪些音频格式？
mp3（默认）、wav、pcm 和 opus，通过可选的 format 字段设置。
有更便宜的 Qwen-Audio TTS 档位吗？
有，同系列的 Qwen-Audio 3.0 TTS Flash 定价为每 1,000 个字符 0.03 美元，而 Plus 是 0.04 美元。两者共用相同的基于任务的 API 形态。
亲自试用
如果你的商品上架需要的是旁白而不是更多图片，Qwen-Audio 3.0 TTS Plus 是一种快速、低成本的实现方式——先在模型页面的 Playground 里跑一段脚本，试听每种音色，再为整个商品目录编写脚本。其他语音和音乐模型，请浏览 HiAPI 的 AI 音频 API 合集。
