API WebSocket para síntese em tempo real do Qwen-TTS

​

Endpoint do serviço

​

Cabeçalhos de requisição

​

Fluxo de interação

• Modo ServerCommit: O servidor define automaticamente a segmentação do texto e o momento da síntese.
• Modo Commit: O cliente controla quando enviar cada segmento de texto. Chame input_text_buffer.commit explicitamente para iniciar a síntese.

​

Detalhes dos modos

• No modo ServerCommit, use input_text_buffer.append para armazenar texto em buffer. O sistema decide automaticamente o momento da síntese.
• Chamar input_text_buffer.commit no modo ServerCommit sintetiza o conteúdo atual do buffer imediatamente. A sessão então retoma o comportamento padrão do modo ServerCommit.
• No modo Commit, apenas input_text_buffer.append não inicia a síntese. Chame input_text_buffer.commit para iniciar o processo.

1. Conexão: O cliente abre uma conexão WebSocket. Quando pronto, o servidor retorna o evento session.created.
2. Configuração da sessão: Envie session.update para definir a voz, o formato de áudio e o modo de operação.
3. Entrada de texto: Use input_text_buffer.append para adicionar texto ao buffer.
4. Disparo da síntese:
   • No modo ServerCommit, a síntese ocorre automaticamente. Para forçar a síntese imediata do buffer, chame input_text_buffer.commit.
   • No modo Commit, a síntese só é acionada ao chamar input_text_buffer.commit.
5. Geração de áudio: O servidor envia response.created e transmite o áudio codificado em base64 por meio de eventos response.audio.delta até emitir response.audio.done.
6. Encerramento da sessão: Para liberar recursos, envie session.finish. O servidor responde com session.finished e fecha a conexão.

{
    "event_id": "event_xxx",
    "type": "session.created",
    "session": {
        "object": "realtime.session",
        "mode": "server_commit",
        "model": "qwen3-tts-flash-realtime",
        "voice": "Cherry",
        "response_format": "pcm",
        "sample_rate": 24000,
        "id": "sess_xxx"
    }
}