API HTTP de synthèse vocale non temps réel Qwen-Audio-TTS : appels non streaming et SSE, paramètres des requêtes et champs des réponses.
Points de terminaison
Remplacez YOUR_WORKSPACE_ID par l’identifiant de l’espace de travail de la région et utilisez une clé API de cette même région.
- Singapour
- Chine (Pékin)
POST https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizerEn-têtes de requête
| Paramètre | Type | Obligatoire | Description |
|---|---|---|---|
Authorization | string | Obligatoire | Jeton d’authentification au format Bearer <your_api_key>. |
Content-Type | string | Obligatoire | Définissez la valeur sur application/json. |
X-DashScope-SSE | string | Facultatif | Définissez la valeur sur enable pour le streaming. Sans cet en-tête, le résultat complet est renvoyé. |
Exemples
- Sans streaming
- Streaming
Un événement SSE peut contenir plusieurs lignes
data:. Combinez toutes les lignes data: d’un événement avant d’analyser le JSON. Décodez en Base64 puis concaténez les blocs audio dans l’ordre des événements. La trame finale contient output.finish_reason=stop et renvoie l’URL de l’audio complet.Corps de la requête
| Paramètre | Type | Obligatoire | Valeur par défaut | Description |
|---|---|---|---|---|
model | string | Obligatoire | — | Identifiant du modèle de synthèse vocale. Consultez les modèles et régions dans Synthèse vocale non temps réel. |
input | object | Obligatoire | — | Objet contenant les paramètres d’entrée. |
input.text | string | Obligatoire | — | Texte à synthétiser. Pour SSML, définissez enable_ssml=true. LaTeX ne nécessite aucun réglage supplémentaire. Consultez SSML et LaTeX pour le périmètre, les balises et la syntaxe. |
input.voice | string | Obligatoire | — | Identifiant de voix. Consultez la liste des voix pour les voix système. Créez une voix personnalisée avec le clonage vocal ou la conception vocale, puis utilisez le modèle cible associé. |
input.format | string | Facultatif | mp3 | Encodage audio. Valeurs possibles : mp3, pcm, wav, opus. |
input.sample_rate | integer | Facultatif | 22050 | Fréquence d’échantillonnage en Hz. Valeurs possibles : 8000, 12000, 16000, 22050, 24000, 44100, 48000. Avec format=opus, seules les valeurs 8000, 12000, 16000, 24000, 48000 sont prises en charge. |
input.volume | integer | Facultatif | 50 | Volume. Plage : [0, 100]. |
input.rate | float | Facultatif | 1.0 | Débit de parole. Plage : [0.5, 2.0]. |
input.bit_rate | integer | Facultatif | 32 | Débit binaire audio en kbps. Plage : [6, 510]. Applicable uniquement avec format=opus. |
input.pitch | float | Facultatif | 1.0 | Hauteur. Plage : [0.5, 2.0]. |
input.enable_ssml | boolean | Facultatif | — | Active ou non SSML. Consultez les limites d’utilisation pour les restrictions de modèle, de voix et d’interface. |
input.word_timestamp_enabled | boolean | Facultatif | false | Renvoie ou non les horodatages des mots. Streaming uniquement. Les voix clonées sont prises en charge. Consultez la liste des voix pour les voix système compatibles. |
input.seed | integer | Facultatif | 0 | Graine aléatoire. Plage : [0, 65535]. Avec une version de modèle, un texte, une voix et les autres paramètres identiques, la même graine reproduit le même résultat. |
input.language_hints | array[string] | Facultatif | — | Pour les voix multilingues et dialectales de qwen-audio-3.1-tts-flash, ce paramètre permet de spécifier la langue ou le dialecte. Consultez les paramètres des voix multilingues et dialectales pour en savoir plus. |
input.instruction | string | Facultatif | — | Instruction contrôlant le dialecte, l’émotion ou le rôle. Consultez Contrôle par instructions pour les modèles, voix et méthodes compatibles. |
input.enable_aigc_tag | boolean | Facultatif | false | Intègre ou non un identifiant AIGC invisible dans l’audio WAV, MP3 ou Opus. |
input.aigc_propagator | string | Facultatif | UID Alibaba Cloud | Champ ContentPropagator de l’identifiant, qui identifie le diffuseur. Applicable uniquement avec enable_aigc_tag=true. |
input.aigc_propagate_id | string | Facultatif | Request ID de cette requête | Champ PropagateID de l’identifiant, qui identifie cette opération de diffusion. Applicable uniquement avec enable_aigc_tag=true. |
input.hot_fix | object | Facultatif | — | Correction du texte. pronunciation personnalise la prononciation des mots indiqués. replace remplace le texte indiqué avant la synthèse. |
Codes de langue
-
zh: Chinois -
en: Anglais -
fr: Français -
de: Allemand -
ja: Japonais -
ko: Coréen -
ru: Russe -
pt: Portugais -
th: Thaï -
id: Indonésien -
vi: Vietnamien -
es: Espagnol -
it: Italien -
ms: Malais -
fil: Philippin -
ar: Arabe -
other: Autres langues (prises en charge par
qwen-audio-3.1-tts-flash) bulgare, néerlandais, hongrois, roumain, danois, croate, grec, tchèque, norvégien, suédois, hindi, slovaque, finnois, ourdou, serbe, espagnol du Mexique, lituanien, letton, turc, persan, hébreu, mongol, slovène, azerbaïdjanais, polonais, catalan, khmer, portugais brésilien, lao, géorgien, afrikaans, népalais, biélorusse, malayalam, luxembourgeois, albanais, tamoul, cingalais, télougou, estonien, cebuano, bosniaque, birman, arménien, latin, islandais, maltais, swahili, kazakh, créole seychellois, ukrainien.
Corps de la réponse
| Paramètre | Type | Description |
|---|---|---|
request_id | string | Identifiant unique de la requête. |
output | object | Sortie du modèle. |
output.finish_reason | string | Motif d’arrêt. null indique une synthèse en cours ; stop indique la fin. |
output.type | string | Renvoyé uniquement en streaming. sentence-begin marque le début d’une phrase ; sentence-synthesis marque un bloc audio, avec plusieurs blocs possibles par phrase ; sentence-end marque la fin et contient l’utilisation. Les blocs audio et les trames correspondent un à un. Ajoutez les blocs au même fichier dans l’ordre. |
output.original_text | string | Phrase issue de la segmentation du texte d’entrée. Ce champ peut être absent pour la dernière phrase. |
output.sentence | object | Informations sur la phrase. |
output.sentence.index | integer | Indice de la phrase, à partir de 0. |
output.sentence.words | array | Mots de la phrase et leurs horodatages. |
output.sentence.words[].text | string | Un mot ou un caractère. |
output.sentence.words[].begin_index | integer | Position de début dans la phrase, à partir de 0. |
output.sentence.words[].end_index | integer | Position de fin dans la phrase, à partir de 1. |
output.sentence.words[].begin_time | integer | Horodatage du début audio du mot, en millisecondes. |
output.sentence.words[].end_time | integer | Horodatage de fin audio du mot, en millisecondes. |
output.audio | object | Audio synthétisé. |
output.audio.data | string | Bloc audio Base64 en streaming. Vide sans streaming. |
output.audio.url | string | URL du fichier audio complet, valide pendant 24 heures. |
output.audio.id | string | Identifiant de l’audio synthétisé. |
output.audio.expires_at | integer | Horodatage d’expiration de url. |
usage | object | Informations d’utilisation.qwen-audio-3.1-tts-flash est facturé selon les Tokens d’entrée et de sortie. qwen-audio-3.1-tts-plus, qwen-audio-3.0-tts-plus et qwen-audio-3.0-tts-flash sont facturés au caractère. |
usage.input_tokens | integer | Tokens d’entrée. Uniquement pour qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash. |
usage.output_tokens | integer | Tokens de sortie. Uniquement pour qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash. |
usage.total_tokens | integer | Somme des tokens d’entrée et de sortie. Uniquement pour qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash. |
usage.characters | integer | Nombre cumulé de caractères facturables. |
- Sans streaming
- Streaming