透過文字描述和參考音訊,一次生成語音、音效與環境音,建構多人對話、Podcast 等完整聲音場景。本文介紹效果範例及提示詞寫法。
適用情境
音訊生成不僅將文字轉換為語音,還可以一次生成語音、音效和環境音,建構完整的聲音場景:
- 語音與對話:單人旁白、多人對話、Podcast、有聲書和廣播劇。
- 綜合聲音場景:為台詞搭配雨聲、海浪聲或遊戲場景音效。
效果範例
以下範例展示不同場景的提示詞和生成效果。同一提示詞多次生成的結果可能不同。
| 場景 | 提示詞 | 效果 |
|---|---|---|
| Podcast | ||
| 有聲書 | ||
| 廣播劇 | ||
| 遊戲配音 | ||
編寫提示詞
將需要的聲音寫入一段文字描述,區分台詞和場景指令。
| 描述要素 | 撰寫範例 |
|---|---|
| 創作任務 | 「兩位主播的 Podcast 開場」「雨中對話的廣播劇片段」 |
| 人物及音色 | 「角色A為低沉男聲,角色B為明亮女聲」 |
| 台詞 | 使用引號標記台詞,並註明說話者 |
| 表達方式 | 「輕聲說」「語氣驚訝」「略作停頓後繼續」 |
| 背景與音效 | 「窗外有雨聲,室內傳來輕微的翻書聲」 |
| 聲音變化 | 「腳步聲漸近後,角色開始說話」 |
使用參考音訊
需要提供聲音參考時,上傳可公開存取的音訊 URL,或使用音訊的 Base64 資料。在提示詞中透過 @voice1、@voice2、@voice3 引用按順序提供的音訊。
例如,提供兩條參考音訊後,可以使用:
qwen-audio-3.1-tts-next 最多接收 3 條參考音訊,每條不超過 30 秒和 10 MB,支援 WAV、MP3、OGG Opus,不支援裸 PCM。參考音訊 URL 與 Base64 二選一;使用 URL 時,伺服器端必須能存取該位址。
支援的模型
| 模型 | 語言 | 輸入長度上限 | 單次輸出時長上限 |
|---|---|---|---|
| qwen-audio-3.1-tts-next | 中文、英文 | 3000 字元 | Podcast:240 秒(4 分鐘);其他場景:120 秒 |
接入與費用
- 介面參數、驗證、參考音訊提交方式,請參閱音訊生成 API 參考。
- 按生成音訊原始時長計費,調整語速不改變計費時長。價格請參閱模型調用計費。