Referência de eventos do cliente Qwen-Audio-TTS: campos de run-task, continue-task e finish-task, ordem de envio e eventos correspondentes do servidor.
Fluxo de eventos
- Envie run-task para iniciar e configurar a tarefa e aguarde task-started.
- Após receber
task-started, envie texto por continue-task enquanto recebe eventos result-generated e o áudio sintetizado. - Após enviar todo o texto, envie finish-task e continue recebendo os resultados e o áudio restantes até chegar task-finished. Uma tarefa com falha retorna task-failed.
result-generated retorna metadados da frase. O áudio é transmitido separadamente por quadros binários no WebSocket ou por uma Audio Track no AOQ. Para conexão, autenticação e transporte de áudio, consulte a API WebSocket ou o acesso AOQ.
run-task
Imediatamente após estabelecer a conexão, o cliente envia run-task para iniciar a tarefa de síntese de fala e definir o modelo, a voz, a taxa de amostragem e os demais parâmetros.
headerobjectObrigatórioactionstringObrigatórioTipo de comando. Defina como
run-task.task_idstringObrigatórioID de tarefa gerado pelo cliente no formato UUID. Este ID correlaciona eventos subsequentes e deve corresponder ao
task_id nos comandos continue-task e finish-task.streamingstringObrigatórioDefina como
duplex.payloadobjectObrigatóriotask_groupstringObrigatórioGrupo de tarefas. Defina como
audio.taskstringObrigatórioTipo de tarefa. Defina como
tts.functionstringObrigatórioTipo de função. Defina como
SpeechSynthesizer.modelstringObrigatórioO nome do modelo.
parametersobjectObrigatórioParâmetros de síntese de fala.
text_typestringObrigatórioDefina como
PlainText.voicestringObrigatórioVoz usada na síntese de fala.
- Vozes do sistema: Consulte Qwen-Audio-TTS voice list
- Vozes clonadas: Vozes personalizadas criadas por clonagem de voz
- Vozes personalizadas: Vozes personalizadas criadas por design de voz
formatstringOpcionalFormato de codificação de áudio.Valores válidos:
pcmwavmp3(padrão)opus
sample_rateintegerOpcionalTaxa de amostragem de áudio em Hz.Valores válidos: 8000, 16000, 22050 (padrão), 24000, 44100, 48000.
volumeintegerOpcionalNível de volume.Valor padrão: 50.Valores válidos: [0, 100].
ratefloatOpcionalVelocidade da fala.Valor padrão: 1,0.Valores válidos: [0,5, 2,0].
pitchfloatOpcionalTom da voz.Valor padrão: 1,0.Valores válidos: [0,5, 2,0].
bit_rateintegerOpcionalTaxa de bits de áudio em kbps. Se o formato de áudio for
mp3 ou opus, use bit_rate para ajustar a taxa de bits.Valor padrão: 32.Valores válidos: [6, 510].enable_ssmlbooleanOpcionalDefine se o SSML deve ser ativado.Valor padrão: Para restrições de uso do SSML (modelos, vozes e APIs compatíveis), consulte Limitations.
false.Se definido como
true, apenas um comando continue-task é permitido.word_timestamp_enabledbooleanOpcionalDefine se os carimbos de data/hora no nível de palavra devem ser ativados.Valor padrão:
false.Disponível apenas no modo de saída streaming. Vozes clonadas são suportadas. Para as vozes do sistema compatíveis, consulte Qwen-Audio-TTS voice list.
seedintegerOpcionalSemente aleatória para controlar a variação na saída da síntese. Se a versão do modelo, o texto, a voz e outros parâmetros permanecerem inalterados, usar a mesma semente produz resultados idênticos.Valor padrão: 0.Valores válidos: [0, 65535].
language_hintsarray[string]Opcional- Este parâmetro é um array, mas a versão atual processa apenas o primeiro elemento. Passe um único valor.
- Este parâmetro especifica o idioma de destino para a síntese de fala. Ele não está relacionado ao idioma da amostra de áudio usada na clonagem de voz. Para definir o idioma de origem de uma tarefa de clonagem, consulte a referência da API de clonagem de voz.
- Pronúncia inesperada de dígitos: "olá, isto é 110" é lido como "olá, isto é um zero" em vez da pronúncia chinesa esperada
- Pronúncia imprecisa de símbolos: "@" é lido como o equivalente chinês em vez de "at"
- Baixa qualidade na síntese de idiomas minoritários com resultados pouco naturais
Valores válidos
Valores válidos
-
zh: Chinês -
en: Inglês -
fr: Francês -
de: Alemão -
ja: Japonês -
ko: Coreano -
ru: Russo -
pt: Português -
th: Tailandês -
id: Indonésio -
vi: Vietnamita -
es: Espanhol -
it: Italiano -
ms: Malaio -
fil: Filipino -
ar: Árabe -
other: Outros idiomas (compatíveis com qwen-audio-3.1-tts-flash) búlgaro, holandês, húngaro, romeno, dinamarquês, croata, grego, tcheco, norueguês, sueco, hindi, eslovaco, finlandês, urdu, sérvio, espanhol (México), lituano, letão, turco, persa, hebraico, mongol, esloveno, azerbaijano, polonês, catalão, khmer, português (Brasil), laosiano, georgiano, africâner, nepalês, bielorrusso, malaiala, luxemburguês, albanês, tâmil, cingalês, télugo, estoniano, cebuano, bósnio, birmanês, armênio, latim, islandês, maltês, suaíli, cazaque, crioulo francês seichelense, ucraniano.
instructionstringOpcionalDefine uma instrução para controlar dialeto, emoção ou características da voz durante a síntese. Para detalhes de uso, consulte Instruction control.
enable_aigc_tagbooleanOpcionalDefine se uma marca d'água AIGC deve ser incorporada ao áudio gerado. Se definido como
true, a marca d'água é incorporada em arquivos de áudio dos formatos compatíveis (wav/mp3/opus).Valor padrão: false.aigc_propagatorstringOpcionalDefine o campo
ContentPropagator na marca d'água AIGC, identificando o propagador do conteúdo. Tem efeito apenas quando enable_aigc_tag é true.Valor padrão: UID da Alibaba Cloud.aigc_propagate_idstringOpcionalDefine o campo
PropagateID na marca d'água AIGC, identificando exclusivamente uma ação de propagação específica. Tem efeito apenas quando enable_aigc_tag é true.Valor padrão: ID da solicitação atual de síntese de fala.hot_fixobjectOpcionalConfigura correções de pronúncia e substituições de texto aplicadas antes da síntese.Parâmetros:
pronunciation: Pronúncia personalizada. Especifica anotações pinyin para palavras a fim de corrigir pronúncias padrão imprecisas.replace: Substituição de texto. Substitui palavras especificadas pelo texto de destino antes da síntese. O texto substituído é usado como entrada real da síntese.
inputobjectObrigatórioDefina como um objeto vazio
{}. Envie o texto para sintetizar por meio do comando continue-task.Solicitação:
Resposta:
continue-task
Após receber task-started, o cliente envia continue-task para fornecer o texto a sintetizar. O texto pode ser enviado de uma vez ou em segmentos sequenciais.
headerobjectObrigatórioactionstringObrigatórioTipo de comando. Defina como
continue-task.task_idstringObrigatórioID da tarefa no formato UUID. Deve corresponder ao
task_id em run-task.streamingstringObrigatórioDefina como
duplex.payloadobjectObrigatórioinputobjectObrigatórioContém o texto a ser sintetizado.
textstringObrigatórioTexto a ser sintetizado. Máximo de 20.000 caracteres por mensagem e 200.000 caracteres cumulativamente.
O intervalo de envio não deve exceder 23 segundos; caso contrário, a conexão atingirá o tempo limite.
Solicitação:
Resposta:
finish-task
Imediatamente após enviar todo o texto, o cliente envia finish-task para informar ao servidor que a entrada terminou e solicitar a conclusão da tarefa. Para cancelar o turno de síntese atual, defina directive como cancel em input.
headerobjectObrigatórioactionstringObrigatórioTipo de comando. Defina como
finish-task.task_idstringObrigatórioID da tarefa no formato UUID. Deve corresponder ao
task_id em run-task.streamingstringObrigatórioDefina como
duplex.payloadobjectObrigatórioinputobjectObrigatórioDefina como
{} para a conclusão normal da tarefa. Inclua directive para cancelar a rodada de síntese atual.directivestringOpcionalControla como a tarefa termina. Atualmente, apenas
cancel tem suporte. Se definido como cancel, a rodada de síntese atual é cancelada e o servidor retorna imediatamente um evento task-finished sem produzir mais áudio.Após o cancelamento, inicie uma nova tarefa de síntese na mesma conexão WebSocket enviando um novo evento run-task sem reconectar.- Conclusão normal
- Cancelar tarefa
Solicitação:
Resposta: