API HTTP de síntese de fala não em tempo real do Qwen-Audio-TTS, com chamadas sem streaming e SSE, parâmetros de requisição e campos de resposta.
Endpoints
Substitua YOUR_WORKSPACE_ID pelo ID do workspace da região e use uma chave de API da mesma região.
- Singapura
- China (Pequim)
POST https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizerCabeçalhos da requisição
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
Authorization | string | Obrigatório | Token de autenticação no formato Bearer <your_api_key>. |
Content-Type | string | Obrigatório | Defina como application/json. |
X-DashScope-SSE | string | Opcional | Defina como enable para streaming. Se omitido, o resultado completo será retornado. |
Exemplos
- Sem streaming
- Streaming
Um evento SSE pode conter várias linhas
data:. Combine todas as linhas data: do evento antes de analisar o JSON. Decodifique os blocos em Base64 e concatene-os na ordem dos eventos. O quadro final tem output.finish_reason=stop e retorna a URL do áudio completo.Corpo da requisição
| Parâmetro | Tipo | Obrigatório | Padrão | Descrição |
|---|---|---|---|---|
model | string | Obrigatório | — | ID do modelo de síntese de fala. Consulte os modelos e regiões em Síntese de fala não em tempo real. |
input | object | Obrigatório | — | Objeto de parâmetros de entrada. |
input.text | string | Obrigatório | — | Texto a sintetizar. Para SSML, defina enable_ssml=true. A entrada LaTeX não exige outra configuração. Consulte SSML e LaTeX para escopo, tags e sintaxe. |
input.voice | string | Obrigatório | — | ID da voz. Para vozes do sistema, consulte a lista de vozes. Crie uma voz personalizada com clonagem de voz ou design de voz e use o modelo de destino vinculado. |
input.format | string | Opcional | mp3 | Codificação do áudio. Valores: mp3, pcm, wav, opus. |
input.sample_rate | integer | Opcional | 22050 | Taxa de amostragem em Hz. Valores: 8000, 12000, 16000, 22050, 24000, 44100, 48000. Com format=opus, apenas 8000, 12000, 16000, 24000, 48000 são aceitos. |
input.volume | integer | Opcional | 50 | Volume. Intervalo: [0, 100]. |
input.rate | float | Opcional | 1.0 | Velocidade da fala. Intervalo: [0.5, 2.0]. |
input.bit_rate | integer | Opcional | 32 | Taxa de bits do áudio em kbps. Intervalo: [6, 510]. Válido apenas com format=opus. |
input.pitch | float | Opcional | 1.0 | Tom. Intervalo: [0.5, 2.0]. |
input.enable_ssml | boolean | Opcional | — | Se SSML deve ser ativado. Consulte Limites de uso para restrições de modelos, vozes e interfaces. |
input.word_timestamp_enabled | boolean | Opcional | false | Se os carimbos de tempo por palavra devem ser retornados. Apenas streaming. Aceita vozes clonadas. Consulte a lista de vozes para vozes do sistema compatíveis. |
input.seed | integer | Opcional | 0 | Semente aleatória. Intervalo: [0, 65535]. Com a mesma versão do modelo, texto, voz e outros parâmetros, a mesma semente reproduz o mesmo resultado. |
input.language_hints | array[string] | Opcional | — | Idioma de destino da síntese. Apenas o primeiro elemento do array é processado. Não depende do idioma de origem da amostra de clonagem. Use quando a pronúncia de números, abreviações, símbolos ou idiomas menos comuns não for adequada. Os códigos estão abaixo. Para o idioma de origem da clonagem, consulte a API de clonagem de voz. |
input.instruction | string | Opcional | — | Instrução que controla dialeto, emoção ou papel. Consulte Controle por instruções para modelos, vozes e uso. |
input.enable_aigc_tag | boolean | Opcional | false | Se deve incorporar um identificador AIGC invisível no áudio WAV, MP3 ou Opus. |
input.aigc_propagator | string | Opcional | UID do Alibaba Cloud | Campo ContentPropagator do identificador, que identifica o distribuidor. Válido apenas com enable_aigc_tag=true. |
input.aigc_propagate_id | string | Opcional | Request ID desta requisição | Campo PropagateID do identificador, que identifica esta operação de distribuição. Válido apenas com enable_aigc_tag=true. |
input.hot_fix | object | Opcional | — | Configuração de correção de texto. pronunciation personaliza a pronúncia de palavras indicadas. replace substitui o texto indicado antes da síntese. |
Códigos de idioma
-
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.
Corpo da resposta
| Parâmetro | Tipo | Descrição |
|---|---|---|
request_id | string | Identificador exclusivo da requisição. |
output | object | Saída do modelo. |
output.finish_reason | string | Motivo da parada. null indica síntese em andamento; stop indica conclusão. |
output.type | string | Retornado apenas em streaming. sentence-begin marca o início da frase; sentence-synthesis marca um bloco de áudio, com vários blocos possíveis por frase; sentence-end marca o final e inclui o uso. Blocos de áudio e quadros de dados correspondem um a um. Acrescente os blocos ao mesmo arquivo na ordem. |
output.original_text | string | Frase obtida da segmentação do texto de entrada. Pode estar ausente na última frase. |
output.sentence | object | Informações da frase. |
output.sentence.index | integer | Índice da frase, começando em 0. |
output.sentence.words | array | Palavras da frase e seus carimbos de tempo. |
output.sentence.words[].text | string | Uma palavra ou um caractere. |
output.sentence.words[].begin_index | integer | Posição inicial na frase, começando em 0. |
output.sentence.words[].end_index | integer | Posição final na frase, começando em 1. |
output.sentence.words[].begin_time | integer | Carimbo de tempo do início do áudio da palavra, em milissegundos. |
output.sentence.words[].end_time | integer | Carimbo de tempo do final do áudio da palavra, em milissegundos. |
output.audio | object | Áudio sintetizado. |
output.audio.data | string | Bloco de áudio Base64 para streaming. Vazio sem streaming. |
output.audio.url | string | URL do arquivo de áudio completo, válida por 24 horas. |
output.audio.id | string | Identificador do áudio sintetizado. |
output.audio.expires_at | integer | Carimbo de tempo de expiração de url. |
usage | object | Informações de uso.qwen-audio-3.1-tts-flash é cobrado pelos Tokens de entrada e saída. qwen-audio-3.1-tts-plus, qwen-audio-3.0-tts-plus e qwen-audio-3.0-tts-flash são cobrados por caractere. |
usage.input_tokens | integer | Tokens de entrada. Apenas para qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash. |
usage.output_tokens | integer | Tokens de saída. Apenas para qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash. |
usage.total_tokens | integer | Soma dos tokens de entrada e saída. Apenas para qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash. |
usage.characters | integer | Caracteres faturáveis acumulados. |
- Sem streaming
- Streaming