Alibaba Cloud: Qwen3-TTS-Flash

Qwen3 TTS Flash convierte texto preparado en audio hablado con una voz seleccionada. Se adapta a la narración multilingüe y a las respuestas habladas donde el guion se conoce antes de que comience la síntesis.

Comparar modelos

qwen3-tts-flash

DisponibleAlibaba CloudTexto a vozSíncrono

Entrada / Salida: $10.00 / $0.00
Modalidades: Audio

Sobre Qwen3-TTS-Flash

Qwen3-TTS-Flash es el modelo de texto a voz de Alibaba con voces de sistema predefinidas. Envías texto preparado y un nombre de voz a través de una llamada HTTP y recibes audio hablado en formato WAV. Habla mandarín, inglés y una variedad de otros idiomas, además de varios dialectos chinos. No clona voces ni sigue instrucciones de estilo como CosyVoice v3.5 Plus, y espera a tener el texto completo, a diferencia de la variante en tiempo real.

Puntos fuertes

Ofrece voces de sistema, por lo que puedes empezar sin grabar ni diseñar una voz.
Habla dialectos chinos como el de Pekín, Shanghái, Sichuan, Nankín, Shaanxi, hokkien, Tianjin y cantonés.
También cubre inglés, alemán, italiano, portugués, español, japonés, coreano, francés y ruso.
Utiliza una API HTTP simple y devuelve una salida WAV, que es fácil de integrar.

Cuándo buscar otra opción

No puede clonar una voz ni diseñar una nueva; elige CosyVoice v3.5 Plus para voces personalizadas.
No ofrece control de instrucciones para la emoción o el estilo más allá de la voz que elijas.
Necesita el texto completo antes de la síntesis; utiliza la variante en tiempo real para empezar a hablar antes.

Primeros pasos

Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.

Envía tu primera solicitud

Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.

Texto a vozEndpoint de TokenLab

POST/v1/audio/speech

curl -X POST "https://api.tokenlab.sh/v1/audio/speech" \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
  "operation": "tts",
  "response_format": "wav",
  "speed": 1,
  "voice": "Cherry",
  "model": "qwen3-tts-flash",
  "input": "Hello from TokenLab."
}'

Parámetros

Texto a voz

Parámetro	Valores y límites	Predeterminado	Notas
`input`	No especificado	No especificado	No especificado
`language_code`	No especificado	No especificado	This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified.
`response_format`	wav	No especificado	Output is WAV. This accepted compatibility field does not transcode output. Use the response Content-Type and file extension. The omitted-field default is not verified.
`speed`	No especificado	No especificado	The gateway accepts numbers from 0.25 to 4.0. The selected supplier can impose a narrower range. A uniform omitted-field default is not verified.
`voice`	Cherry, Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish, Bella, Jennifer, Ryan, Katerina, Aiden, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip, Stella, Bodega, Sonrisa, Alek, Dolce, Sohee, Ono Anna, Lenn, Emilien, Andre, Radio Gol, Jada, Dylan, Li, Marcus, Roy, Peter, Sunny, Eric, Rocky, Kiki	`Cherry`	No especificado

Speech output is WAV audio. The response_format parameter remains accepted for request compatibility and does not transcode this output; use the response Content-Type and file extension for the actual audio format. The default voice is Cherry.

Precios

El precio Verified se aplica a Verified, que cuesta menos en la mayoría de los modelos. El precio Official es el precio publicado por el fabricante del modelo y se aplica a la ruta Official, más fiable. Auto factura la ruta que completa la solicitud.

Cosy Tts Number

Por millón de caracteres

Precio Official: Entrada $10.00 / Salida $0.00
Precio Verified: —
Descuento: —

	Precio OfficialPor millón de caracteres	Precio VerifiedPor millón de caracteres	Descuento
Cosy Tts Number	Entrada $10.00 / Salida $0.00	—	—

Uso y actividad

La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.

Uso y disponibilidad

Últimas 24 horas

Solicitudes
Tasa de éxito
Latencia P95
Total de tokens

Desempeño del modelo

Última actualización 1 nov 2026, 8:49 UTC

Las métricas aparecerán una vez que se alcancen los umbrales de privacidad y volumen de datos.

Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.

Abrir en Console

Abre Qwen3-TTS-Flash en Console con un prompt listo para editar o enviar.

Ayúdame a probar qwen3-tts-flash con una solicitud de audio breve en /v1/audio/speech. Muestra el resultado y el coste.

Casos de uso

Artículos narrados
Convierte páginas escritas en audio con una voz de sistema elegida para una función de escucha.
Respuestas de aplicaciones habladas
Lee las respuestas del asistente en voz alta en el idioma del usuario una vez que el texto es definitivo.
Locuciones multilingües
Genera el mismo guion en varios idiomas para vídeos cortos y explicativos.

Ejemplos de prompts

Lee esta descripción del producto en español con una voz clara y neutral.

Convierte el siguiente resumen de noticias a voz en mandarín.

Di 'Tu pedido ha sido enviado' en japonés.

FAQ

¿Qué es exactamente Qwen3-TTS-Flash?

Un modelo de texto a voz de Alibaba que convierte texto preparado en audio utilizando una voz de sistema. Las solicitudes se realizan a través de HTTP y el audio se devuelve en formato WAV.

¿Qué idiomas habla?

Chino (mandarín y varios dialectos), inglés, alemán, italiano, portugués, español, japonés, coreano, francés y ruso. La lista de voces muestra qué voces se adaptan a cada idioma, así que consúltala primero.

¿Puedo clonar una voz con él?

No. Solo admite voces de sistema, sin clonación, diseño de voz ni control de instrucciones sobre el estilo. Para esas funciones, utiliza CosyVoice v3.5 Plus, que funciona con voces personalizadas.

¿En qué se diferencia de Qwen3-TTS-Flash-Realtime?

Este modelo toma el texto completo en una sola solicitud. El modelo en tiempo real transmite a través de WebSocket y puede comenzar a hablar mientras el texto aún está llegando, lo que se adapta a los asistentes conversacionales.

¿Qué formato de audio devuelve?

WAV, que se reproduce directamente en la mayoría de los reproductores y editores de audio. Debido a que todo el texto se sintetiza en una sola solicitud, es adecuado para narraciones terminadas, locuciones y respuestas de aplicaciones en lugar de conversaciones en vivo.

¿Cuánto cuesta Qwen3-TTS-Flash?

En TokenLab, Qwen3-TTS-Flash cuesta Entrada $10.00 / Salida $0.00 Por millón de caracteres. La tabla de precios arriba muestra el desglose completo. Las tarifas dependen de la unidad de facturación, la especificación y el uso. Compare condiciones iguales en el precio detallado del modelo; una sola tarifa no determina el coste total.

¿Qué endpoint debe usar Qwen3-TTS-Flash?

Utiliza https://api.tokenlab.sh/v1/audio/speech para Qwen3-TTS-Flash. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.

¿Qué operaciones soporta Qwen3-TTS-Flash?

Qwen3-TTS-Flash admite Texto a voz. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.