Alibaba Cloud: Qwen3-TTS-Flash

O Qwen3 TTS Flash converte texto preparado em áudio falado com uma voz selecionada. Adequa-se a narração multilíngue e respostas faladas onde o roteiro é conhecido antes do início da síntese.

Comparar modelos

qwen3-tts-flash

DisponívelAlibaba CloudTexto para falaSíncrono

Entrada / Saída: $10.00 / $0.00
Modalidades: Áudio

Sobre o Qwen3-TTS-Flash

O Qwen3-TTS-Flash é o modelo de conversão de texto em fala da Alibaba com vozes de sistema prontas. Você envia o texto preparado e um nome de voz através de uma chamada HTTP e recebe o áudio falado no formato WAV. Ele fala mandarim, inglês e vários outros idiomas, além de diversos dialetos chineses. Ele não clona vozes nem segue instruções de estilo como o CosyVoice v3.5 Plus, e aguarda o texto completo, ao contrário da variante Realtime.

Pontos fortes

Oferece vozes de sistema, para que você possa começar sem gravar ou projetar uma voz.
Fala dialetos chineses como Pequim, Xangai, Sichuan, Nanjing, Shaanxi, Hokkien, Tianjin e cantonês.
Também cobre inglês, alemão, italiano, português, espanhol, japonês, coreano, francês e russo.
Usa uma API HTTP simples e retorna saída WAV, o que é fácil de integrar.

Quando usar outro modelo

Ele não pode clonar uma voz ou projetar uma nova; escolha o CosyVoice v3.5 Plus para vozes personalizadas.
Não oferece controle de instruções para emoção ou estilo além da voz que você escolher.
Precisa do texto completo antes da síntese; use a variante Realtime para começar a falar mais cedo.

Primeiros passos

Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.

Envie sua primeira requisição

Copie o exemplo para sua linguagem e execute-o no endpoint.

Texto para falaEndpoint do 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."
}'

Parâmetros

Texto para fala

Parâmetro	Valores e limites	Padrão	Notas
`input`	Não fornecido	Não fornecido	Não fornecido
`language_code`	Não fornecido	Não fornecido	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	Não fornecido	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`	Não fornecido	Não fornecido	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`	Não fornecido

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.

Preço

O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.

Cosy Tts Number

Por milhão de caracteres

Preço Official: Entrada $10.00 / Saída $0.00
Preço Verified: —
Desconto: —

	Preço OfficialPor milhão de caracteres	Preço VerifiedPor milhão de caracteres	Desconto
Cosy Tts Number	Entrada $10.00 / Saída $0.00	—	—

Uso e atividade

A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.

Uso e disponibilidade

Últimas 24 horas

Requisições
Taxa de sucesso
Latência P95
Total de tokens

Desempenho do modelo

Última atualização 1 de nov. de 2026, 08:49 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra Qwen3-TTS-Flash no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar qwen3-tts-flash com uma solicitação de áudio em /v1/audio/speech. Exiba o resultado e custo.

Casos de uso

Artigos narrados
Transforme páginas escritas em áudio com uma voz de sistema escolhida para um recurso de acompanhamento de leitura.
Respostas de aplicativos faladas
Leia as respostas do assistente em voz alta no idioma do usuário assim que o texto estiver finalizado.
Locuções multilíngues
Gere o mesmo roteiro em vários idiomas para vídeos curtos e explicativos.

Exemplos de prompt

Leia esta descrição de produto em espanhol com uma voz clara e neutra.

Converta o seguinte resumo de notícias para fala em mandarim.

Diga 'Seu pedido foi enviado' em japonês.

FAQ

O que exatamente é o Qwen3-TTS-Flash?

Um modelo de conversão de texto em fala da Alibaba que converte texto preparado em áudio usando uma voz de sistema. As solicitações são feitas via HTTP e o áudio retorna no formato WAV.

Quais idiomas ele fala?

Chinês (mandarim e vários dialetos), inglês, alemão, italiano, português, espanhol, japonês, coreano, francês e russo. A lista de vozes mostra quais vozes são adequadas para cada idioma, portanto, verifique-a primeiro.

Posso clonar uma voz com ele?

Não. Ele suporta apenas vozes de sistema, sem clonagem, design de voz ou controle de instruções sobre estilo. Para esses recursos, use o CosyVoice v3.5 Plus, que funciona com vozes personalizadas.

Como ele difere do Qwen3-TTS-Flash-Realtime?

Este modelo recebe o texto completo em uma única solicitação. O modelo Realtime faz streaming via WebSocket e pode começar a falar enquanto o texto ainda está chegando, o que é adequado para assistentes conversacionais.

Qual formato de áudio ele retorna?

WAV, que é reproduzido diretamente na maioria dos players e editores de áudio. Como todo o texto é sintetizado em uma única solicitação, ele é adequado para narrações finalizadas, locuções e respostas de aplicativos, em vez de conversas ao vivo.

Quanto custa o Qwen3-TTS-Flash?

No TokenLab, Qwen3-TTS-Flash custa Entrada $10.00 / Saída $0.00 Por milhão de caracteres. A tabela de preços acima mostra o detalhamento completo. As tarifas dependem da unidade de cobrança, da especificação e do uso. Compare condições iguais no preço detalhado do modelo; uma única tarifa não determina o custo total.

Qual endpoint o Qwen3-TTS-Flash deve usar?

Use https://api.tokenlab.sh/v1/audio/speech para Qwen3-TTS-Flash. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Qwen3-TTS-Flash suporta?

Qwen3-TTS-Flash suporta Texto para fala. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.