curl --request POST \
  --url https://api.evolink.ai/v1/audios/generations \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "qwen-audio-3.1-tts-flash",
  "prompt": "我家的后面有一个很大的花园。"
}
'

{
  "created": 1790000000,
  "id": "task-unified-1790000000-abcd1234",
  "model": "qwen-audio-3.1-tts-flash",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 3,
    "audio_type": "tts"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.0144
  }
}

Qwen Audio TTS

Qwen Audio 3.1 TTS Flash – Sprachsynthese

Text in Sprache umwandeln, höchstens 5000 Zeichen pro Anfrage
68 Systemstimmen; siehe Stimmenliste. Auch eigene, mit Voice Enrollment geklonte oder entworfene Stimmen sind verwendbar
Benutzerdefinierte Stimmen laufen standardmäßig 6 Stunden nach Abschluss der Erstellung ab. Danach gibt die Synthese 404 (voice_expired) zurück; mit Voice Enrollment eine neue Stimme erstellen
Unterstützt natürlichsprachliche Anweisungen (instruction), Emotions- und paralinguistische Tags im Text, SSML und benutzerdefinierte Aussprache (hot_fix)
Nur die unten aufgeführten Parameter werden akzeptiert; andere ergeben 400 (unsupported_parameter)
Asynchrone Verarbeitung; mit der zurückgegebenen Aufgaben-ID das Ergebnis abfragen
Nach dem Einreichen ist kein Abbruch möglich
Erzeugte Audiolinks sind 24 Stunden gültig; zeitnah speichern

Abrechnung:

Nach tatsächlichem Token-Verbrauch: Eingabe-Tokens (abhängig von der Textlänge) und Ausgabe-Tokens (abhängig von der Audiodauer) werden separat berechnet
Beim Einreichen werden anhand der Textlänge Credits reserviert (usage.credits_reserved). Nach Abschluss wird der tatsächliche Verbrauch abgerechnet, mit Erstattung des Überschusses oder Nachberechnung des Fehlbetrags. Bei Fehlschlag vollständige Erstattung
Zahlen, Buchstaben und Symbole können einzeln vorgelesen werden. Dadurch entstehen längere Audios und mehr Ausgabe-Tokens als bei gleich langer Prosa; der tatsächliche Verbrauch kann die Reservierung übersteigen
Anweisungen oder Tags für langsames Sprechen, etwa [very slowly], können bei gleichem Text deutlich mehr Ausgabe-Tokens erzeugen. speech_rate und SSML-Pausen erhöhen die Anzahl der Ausgabe-Tokens nicht

Aufgabenergebnis (bei status: completed):

Feld	Beschreibung
`results[0]`	Audio-URL
`result_data[0].audio_url`	Audio-URL, identisch mit `results[0]`
`result_data[0].format`	Audioformat
`result_data[0].sample_rate`	Abtastrate (Hz)
`usage.input_tokens` / `usage.output_tokens` / `usage.total_tokens`	Token-Verbrauch dieser Synthese
`usage.credits_used`	Tatsächlich verbrauchte Credits

POST

audios

generations

curl --request POST \
  --url https://api.evolink.ai/v1/audios/generations \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "qwen-audio-3.1-tts-flash",
  "prompt": "我家的后面有一个很大的花园。"
}
'

{
  "created": 1790000000,
  "id": "task-unified-1790000000-abcd1234",
  "model": "qwen-audio-3.1-tts-flash",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 3,
    "audio_type": "tts"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.0144
  }
}

Autorisierungen

Authorization

string

header

erforderlich

Alle Endpunkte erfordern Bearer-Token-Authentifizierung

API-Key erhalten:

Den API-Key auf der Seite API-Key-Verwaltung abrufen

Diesen Anfrageheader hinzufügen:

Authorization: Bearer YOUR_API_KEY

Body

application/json

Option 1
Option 2

Mindestens eines der Textfelder prompt oder input muss nicht leer sein. Sind beide angegeben, müssen ihre Inhalte übereinstimmen. Sind response_format und format beide angegeben, müssen auch ihre Werte übereinstimmen.

prompt

string

erforderlich

Zu synthetisierender Text

Vorgaben:

Höchstens 5000 Zeichen
Bei langen Texten Satzzeichen beibehalten: lange Passagen ohne Satzgrenzen können upstream auf etwa 1500 Ausgabe-Tokens (etwa 120 Sekunden Audio) gekürzt werden. Die Aufgabe gilt dennoch als erfolgreich und wird nach den tatsächlich erzeugten Tokens berechnet; das Gateway kann diese Kürzung nicht erkennen
Alternativ input verwenden. Mindestens ein nicht leeres Textfeld ist erforderlich; möglichst nur eines übergeben. Abweichende Inhalte ergeben 400 (parameter_conflict)
Der Text muss in einer von der Stimme unterstützten Sprache sein, sonst sind Aussprachefehler möglich

Emotions- und paralinguistische Tags: Direkt in den Text einfügen, ohne zusätzliche Parameter; der Tag-Text zählt als Abrechnungszeichen

Steuerungstags: Legen die Emotion oder den Stil des folgenden Textes bis zum nächsten Steuerungstag fest. [sad] traurig, [amazed] erstaunt, [deep and loud shouting] tiefes, lautes Schreien, [trembling] zitternd, [angry] wütend, [excited] aufgeregt, [sarcastic] sarkastisch, [curious] neugierig, [like dracula] tief und unheimlich, [bored] gelangweilt, [tired] müde, [scornful] verächtlich, [shouting] schreiend, [asmr] sanftes ASMR-Flüstern, [panicked] panisch, [mischievously] schelmisch, [empathetic] einfühlsam, [whispers] flüsternd, [reluctantly] widerwillig, [crying] weinend, [serious] ernst, [very slowly] sehr langsam, [very fast] sehr schnell
Paralinguistische Tags: Fügen an dieser Stelle einen Stimmeffekt ein, ohne die Emotion des umgebenden Textes zu ändern. [gasp] nach Luft schnappen, [sighing] seufzen, [clears throat] räuspern, [giggles] kichern, [laughing] lachen, [cough] husten, [snorts] schnauben

Beispiel: [excited]今天的天气真不错！[laughing]我们一起出去玩吧！

Bei enable_ssml: true wird dieses Feld als SSML verarbeitet

Maximum string length: 5000

Pattern: \S

Beispiel:

"我家的后面有一个很大的花园。"

model

enum<string>

Standard:qwen-audio-3.1-tts-flash

erforderlich

Modellname

Verfügbare Optionen:

qwen-audio-3.1-tts-flash

Beispiel:

"qwen-audio-3.1-tts-flash"

input

string

Alias für prompt mit denselben Längen- und Nutzungsregeln

Mindestens prompt oder input als nicht leeren Text angeben
Bei Angabe beider Felder müssen die Inhalte übereinstimmen, sonst 400 (parameter_conflict)

Maximum string length: 5000

Beispiel:

"我家的后面有一个很大的花园。"

voice

string

Standard:longanhuan_v3.1

Stimmenname, Groß-/Kleinschreibung beachten

68 Systemstimmen; Namen, Geschlecht und Einsatzgebiete siehe Stimmenliste
Ohne Angabe wird longanhuan_v3.1 verwendet
Eigene Stimmen aus Voice Enrollment sind ebenfalls möglich: geklont qwen-audio-3.1-tts-flash-{prefix}-{32-character-id}, entworfen qwen-audio-3.1-tts-flash-vd-{prefix}-{32-character-id}. Nur das erstellende Konto kann sie verwenden. Stimmen anderer Modelle, etwa qwen-tts-vd-… von qwen-voice-design, ergeben 400 (invalid_voice). Nicht vorhandene oder fremde Stimmen ergeben 404 (voice_not_found)
Benutzerdefinierte Stimmen laufen standardmäßig 6 Stunden nach Abschluss der Erstellung ab. Danach gibt die Synthese 404 (voice_expired) zurück; mit Voice Enrollment eine neue Stimme erstellen

Beispiel:

"longanhuan_v3.1"

response_format

enum<string>

Standard:mp3

Audioausgabeformat: mp3, wav oder opus, Standard mp3

opus verwendet einen Ogg-Opus-Container
Alternativ format verwenden. Möglichst nur ein Feld übergeben; unterschiedliche Werte ergeben 400 (parameter_conflict)

Verfügbare Optionen:

mp3,

wav,

opus

Beispiel:

"mp3"

format

enum<string>

Alias für response_format; unterstützt mp3, wav und opus

Ohne beide Felder wird mp3 verwendet
Bei Angabe beider Felder müssen die Werte übereinstimmen, sonst 400 (parameter_conflict)

Verfügbare Optionen:

mp3,

wav,

opus

Beispiel:

"mp3"

sample_rate

enum<integer> | null

Standard:24000

Ausgabe-Abtastrate (Hz)

Bei response_format: opus werden 22050 und 44100 nicht unterstützt
Ohne Angabe oder bei null gilt der Standardwert; 0 oder Werte außerhalb der Liste ergeben 400

Verfügbare Optionen:

8000,

12000,

16000,

22050,

24000,

44100,

48000,

null

Beispiel:

24000

volume

integer

Standard:50

Lautstärke von 0 bis 100

Erforderlicher Bereich: 0 <= x <= 100

Beispiel:

50

speech_rate

number

Standard:1

Sprechgeschwindigkeitsfaktor

1.0: normale Geschwindigkeit (Standard)
2.0: doppelte Geschwindigkeit; 0.5: halbe Geschwindigkeit

Bereich 0.5 bis 2.0. Eine Änderung beeinflusst die Anzahl der Ausgabe-Tokens nicht

Erforderlicher Bereich: 0.5 <= x <= 2

Beispiel:

1

pitch

number

Standard:1

Tonhöhenfaktor

1.0: Standardtonhöhe
Über 1.0 höher, unter 1.0 tiefer

Bereich 0.5 bis 2.0

Eine Tonhöhenänderung verändert auch Sprechgeschwindigkeit und Audiodauer

Höhere Tonhöhe beschleunigt und verkürzt, tiefere verlangsamt und verlängert. Die Dauer verändert sich ungefähr umgekehrt proportional zum Quadrat des Tonhöhenwerts
Bei einem Satz von etwa 2.8 Sekunden bei 1.0: 0.8 etwa 4.3 Sekunden, 1.2 etwa 2.1 Sekunden, 0.5 etwa 10.9 Sekunden, 2.0 etwa 0.7 Sekunden
Kleine Änderungen zwischen 0.8 und 1.2 empfohlen; nahe 0.5 oder 2.0 ist die Sprache deutlich zu langsam oder zu schnell
Ist gleichzeitig speech_rate ungleich 1.0 gesetzt, bleibt pitch wirkungslos; beide lassen sich nicht kombinieren
Die Tonhöhe verändert die Anzahl der Ausgabe-Tokens nicht

Erforderlicher Bereich: 0.5 <= x <= 2

Beispiel:

1

instruction

string

Natürlichsprachliche Anweisungen für Emotion, Tonfall, Rolle, Dialekt und Ausdruck

Vorgaben:

Höchstens 100 Abrechnungszeichen: Han-Zeichen (einschließlich japanischer Kanji und koreanischer Hanja) zählen als 2; alle anderen Zeichen, einschließlich Kana und Hangul, als 1 (etwa 50 Han-Zeichen oder 100 englische Zeichen). Überschreitung ergibt 400

Beispiele:

用欢快、热情的语气说 (fröhlich und begeistert sprechen)
请用上海话表达 (Shanghaier Dialekt; mehrsprachige und Dialektstimmen)
Speak slowly in a calm and gentle tone

Anweisungen zählen nicht als Eingabe-Tokens, können aber die Audiodauer und damit die Ausgabe-Tokens beeinflussen

Der Parameter heißt instruction (Singular); instructions ergibt 400

Beispiel:

"用欢快、热情的语气说"

language

enum<string>

Hinweis zur Zielsprache für bessere Aussprache von Zahlen, Abkürzungen und Symbolen sowie bessere Synthese weniger verbreiteter Sprachen

Bei zh wird beispielsweise 110 in hello, this is 110 chinesisch als „yao yao ling“ gelesen

Wert	Sprache	Wert	Sprache
`zh`	Chinesisch	`th`	Thailändisch
`en`	Englisch	`id`	Indonesisch
`fr`	Französisch	`vi`	Vietnamesisch
`de`	Deutsch	`es`	Spanisch
`ja`	Japanisch	`it`	Italienisch
`ko`	Koreanisch	`ms`	Malaiisch
`ru`	Russisch	`fil`	Filipino
`pt`	Portugiesisch	`ar`	Arabisch

Ohne Angabe erkennt das Modell die Sprache automatisch; dieser Parameter übersetzt den Text nicht

Verfügbare Optionen:

zh,

en,

fr,

de,

ja,

ko,

ru,

pt,

th,

id,

vi,

es,

it,

ms,

fil,

ar

Beispiel:

"zh"

enable_ssml

boolean

Standard:false

prompt als SSML verarbeiten

Wenn aktiviert, sind SSML-Tags möglich, etwa <break time="1s"/> für eine Pause: <speak>欢迎收听今天的节目。<break time="1s"/>我们马上开始。</speak>

SSML-Pausen zählen nicht als Ausgabe-Tokens

Beispiel:

false

hot_fix

object

Benutzerdefinierte Aussprache und Textersetzung zur Korrektur mehrdeutiger Zeichen, Eigennamen und anderer Aussprachen

pronunciation: Wörter mit Pinyin versehen; Silben durch Leerzeichen trennen, Töne als Ziffern angeben, etwa tian1 qi4
replace: Wörter vor der Synthese ersetzen. Synthese und Abrechnung erfolgen anhand des ersetzten Texts; auch dieser darf höchstens 5000 Zeichen haben, sonst 400 (prompt_too_long)

Beide Listen zusammen dürfen höchstens 200 Einträge enthalten, gezählt als Schlüssel-Wert-Paare in den Objekten. Überschreitung ergibt 400 (invalid_parameter)

Mindestens eine Liste angeben. Jede angegebene Liste muss ein nicht leeres Array von Objekten der Form {"Wort": "Wert"} sein

Beispiel:

{
  "pronunciation": [{"天气": "tian1 qi4"}],
  "replace": [{"今天": "金天"}]
}

Show child attributes

enable_aigc_tag

boolean

Standard:false

Unsichtbare AIGC-Kennzeichnung in das erzeugte Audio einbetten (für wav / mp3 / opus)

Beispiel:

false

callback_url

string<uri>

HTTPS-Callback-URL für das Aufgabenergebnis

Zeitpunkt:

Bei Abschluss (completed) oder Fehlschlag (failed); dieses Modell unterstützt keinen Abbruch
Versand nach Bestätigung der Abrechnung

Sicherheitsvorgaben:

Nur HTTPS
Keine privaten IP-Adressen (127.0.0.1, 10.x.x.x, 172.16–31.x.x, 192.168.x.x usw.)
URL mit höchstens 2048 Zeichen

Zustellung:

Timeout: 10 Sekunden
Bei Fehlschlag höchstens 3 Wiederholungen nach 1 / 2 / 4 Sekunden
Callback-Inhalt im gleichen Format wie die Aufgabenabfrage
2xx gilt als Erfolg; andere Statuscodes lösen Wiederholungen aus

Beispiel:

"https://your-domain.com/webhooks/tts-completed"

Antwort

Aufgabe zur Sprachsynthese erfolgreich erstellt

created

integer

Zeitstempel der Aufgabenerstellung

Beispiel:

1790000000

string

Aufgaben-ID

Beispiel:

"task-unified-1790000000-abcd1234"

model

string

Tatsächlich verwendetes Modell

Beispiel:

"qwen-audio-3.1-tts-flash"

object

enum<string>

Konkreter Typ des Aufgabenobjekts

Verfügbare Optionen:

audio.generation.task

progress

integer

Aufgabenfortschritt in Prozent (0–100)

Erforderlicher Bereich: 0 <= x <= 100

Beispiel:

0

status

enum<string>

Aufgabenstatus

Verfügbare Optionen:

pending,

processing,

completed,

failed

Beispiel:

"pending"

task_info

object

Details der Audioaufgabe

Show child attributes

type

enum<string>

Ausgabetyp der Aufgabe

Verfügbare Optionen:

audio

Beispiel:

"audio"

usage

object

Verbrauchs- und Abrechnungsinformationen

Show child attributes

Bildserie

Videoserie

Audioserie

Textserie

Kontoverwaltung

Aufgabenverwaltung

Dateiverwaltung

Qwen Audio 3.1 TTS Flash – Sprachsynthese

Autorisierungen

Alle Endpunkte erfordern Bearer-Token-Authentifizierung

Body

Antwort