curl --request POST \
  --url https://api.evolink.ai/v1/audios/generations \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "voice-enrollment",
  "audio_url": "https://your-cdn.com/samples/my-voice.wav",
  "preferred_name": "myvoice"
}
'

{
  "created": 1775123456,
  "id": "task-unified-1775123456-abcd1234",
  "model": "voice-enrollment",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 60,
    "audio_type": "voice_clone"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.001
  }
}

Qwen Audio TTS

Voice Enrollment: Benutzerdefinierte Stimme erstellen

Benutzerdefinierte Stimmen für Qwen Audio 3.1 TTS Flash mit dem Modell voice-enrollment erstellen. Zwei Modi: audio_url für Stimmenklonen, voice_prompt + preview_text für Stimmendesign. Beide Modusfelder oder keines anzugeben ergibt 400
Stimmen beider Modi funktionieren nur mit qwen-audio-3.1-tts-flash und nur für das erstellende Konto. Stimmen des alten Modells qwen-voice-design sind nicht kompatibel; bei der Migration über diesen Endpunkt neu erstellen
Stimmendesign liefert zusätzlich ein Vorschauaudio (fest 24 kHz WAV); Stimmenklonen nur den Stimmennamen
Asynchrone Verarbeitung; mit der Aufgaben-ID das Ergebnis abfragen. Klonen etwa 15–30 Sekunden; beim Design wird der gesamte Vorschautext synthetisiert, etwa 12 Sekunden bei 30 Zeichen und 49 Sekunden bei 200 Zeichen
Abrechnung pro Anfrage, gleicher Preis für Klonen und Design; vollständige Erstattung bei Fehlschlag. Vorschau-Audiolinks sind 24 Stunden gültig; zeitnah speichern
Nur die eigene Stimme oder eine Stimme mit ausdrücklicher Erlaubnis klonen

Ablauf:

audio_url (Klonen) oder voice_prompt + preview_text (Design) sowie preferred_name übergeben
Das Aufgabenergebnis abfragen und result_data.voice (Stimmenname) auslesen
Qwen Audio 3.1 TTS Flash mit dem vollständigen Namen als voice aufrufen

Aufgabenergebnis (bei status: completed):

Feld	Stimmenklonen	Stimmendesign
`result_data.voice`	`qwen-audio-3.1-tts-flash-{preferred_name}-{32-character-id}`	`qwen-audio-3.1-tts-flash-vd-{preferred_name}-{32-character-id}` (zusätzliches Segment `vd-`)
`result_data.voice_type`	`voice_clone`	`voice_design`
`result_data.target_model`	`qwen-audio-3.1-tts-flash`	`qwen-audio-3.1-tts-flash`
`results` / `result_data.preview_audio_url`	Nicht zurückgegeben	Vorschau-Audio-URL (24 Stunden gültig), außerdem `sample_rate: 24000` und `response_format: "wav"`

Ist das Vorschauaudio beim Design gelegentlich nicht verfügbar, wird die Aufgabe dennoch abgeschlossen (Stimme erstellt und berechnet). Das Ergebnis enthält stattdessen preview_audio_unavailable: true und preview_audio_warning.

Gültigkeit der Stimme:

Geklonte und entworfene Stimmen laufen standardmäßig 6 Stunden nach Abschluss der Erstellung ab. Syntheseaufrufe verlängern die Gültigkeit nicht
Nach Ablauf ergibt die Synthese 404 (voice_expired). Über diesen Endpunkt eine neue Stimme erstellen und diese verwenden

Stimmenkontingent: Das Upstream-Konto hat ein Limit für benutzerdefinierte Stimmen der Qwen-Audio-TTS-Serie (offiziell 1000, gemeinsam für Klonen und Design). Ist es ausgeschöpft, schlägt die Erstellung mit vollständiger Erstattung fehl.

Textlänge nach Zeichen: Chinesische und englische Zeichen sowie Satzzeichen zählen jeweils als 1.

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": "voice-enrollment",
  "audio_url": "https://your-cdn.com/samples/my-voice.wav",
  "preferred_name": "myvoice"
}
'

{
  "created": 1775123456,
  "id": "task-unified-1775123456-abcd1234",
  "model": "voice-enrollment",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 60,
    "audio_type": "voice_clone"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.001
  }
}

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

Stimmenklonen (audio_url)
Stimmendesign (voice_prompt)

Eine Stimme aus einer Aufnahme einer Person erstellen. audio_url wählt Stimmenklonen; die Designfelder voice_prompt, preview_text, sample_rate und response_format weglassen. Nicht leerer Designtext, eine Abtastrate ungleich null oder ein nicht leeres Format ergeben 400; sample_rate: 0/null und response_format: ""/null gelten als nicht angegeben.

model

enum<string>

Standard:voice-enrollment

erforderlich

Modellname

Verfügbare Optionen:

voice-enrollment

Beispiel:

"voice-enrollment"

audio_url

string<uri>

erforderlich

URL der zu klonenden Aufnahme. Dieses Feld wählt Stimmenklonen und darf nicht zusammen mit voice_prompt angegeben werden

URL-Vorgaben:

HTTP oder HTTPS, öffentlich ohne Authentifizierung erreichbar
Lokale oder private Adressen ergeben 400 (invalid_media_url)
Höchstens 2048 Zeichen
Nicht-HTTP(S)-Protokolle wie FTP ergeben 400 (invalid_media_url)
Nur URLs, kein Base64; eine Base64-Daten-URI ergibt 400 (invalid_parameter)

Audioanforderungen (andernfalls kann die Aufgabe fehlschlagen):

WAV, MP3 oder M4A
Höchstens 60 Sekunden; zu wenig Sprache kann ebenfalls fehlschlagen (eine 2-Sekunden-Aufnahme schlug im Test fehl)
Dateigröße höchstens 10 MB
Abtastrate mindestens 16 kHz
Klare menschliche Sprache; Stille, Musik und andere Nicht-Sprach-Audios werden abgelehnt

Empfohlene Aufnahme:

10–20 Sekunden, davon mindestens 5 Sekunden ununterbrochenes, klares Vorlesen; Pausen höchstens 2 Sekunden
Mono; bei Stereo wird nur der erste Kanal verwendet
Keine Hintergrundmusik, Geräusche oder anderen Stimmen; normal sprechen, nicht singen

Bei nicht herunterladbaren oder ungeeigneten Audios schlägt die Aufgabe fehl, mit vollständiger Erstattung

Nur die eigene Stimme oder eine Stimme mit ausdrücklicher Erlaubnis klonen

Maximum string length: 2048

Pattern: [^\u0009-\u000D\u0020\u0085\u00A0\u1680\u2000-\u200A\u2028\u2029\u202F\u205F\u3000]

Beispiel:

"https://your-cdn.com/samples/my-voice.wav"

preferred_name

string

erforderlich

Präfix des Stimmennamens

Vorgaben:

1–10 englische Buchstaben oder Ziffern; keine Unterstriche oder anderen Symbole
Großbuchstaben werden in Kleinbuchstaben umgewandelt
Muss nicht eindeutig sein

Vollständiger Name: beim Klonen qwen-audio-3.1-tts-flash-{preferred_name}-{32-character-id}, beim Design qwen-audio-3.1-tts-flash-vd-{preferred_name}-{32-character-id}

Beispiel für myvoice: qwen-audio-3.1-tts-flash-myvoice-5996beec833d41f4982158347ba97fae

Maximum string length: 10

Pattern: ^[a-zA-Z0-9]+$

Beispiel:

"myvoice"

language

enum<string>

Beim Klonen die Sprache der Aufnahme, zur genaueren Extraktion der Stimme. Beim Design die bevorzugte Sprache der Stimme; sie sollte mit preview_text übereinstimmen

Ohne Angabe gilt zh

Verfügbare Optionen:

zh,

en,

ja,

ko,

de,

fr,

it,

ru,

pt,

es

Beispiel:

"zh"

target_model

enum<string>

Standard:qwen-audio-3.1-tts-flash

TTS-Modell, das die Stimme verwendet. Derzeit nur ein Wert, der ohne Angabe automatisch gilt; andere Werte ergeben 400

Wert	Beschreibung
`qwen-audio-3.1-tts-flash`	Qwen Audio 3.1 TTS Flash, nicht streamend (Standard und einziger Wert)

Verfügbare Optionen:

qwen-audio-3.1-tts-flash

Beispiel:

"qwen-audio-3.1-tts-flash"

callback_url

string<uri>

HTTPS-Callback-URL für das Aufgabenergebnis

Zeitpunkt:

Bei Abschluss (completed) oder Fehlschlag (failed)
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/voice-completed"

Antwort

Aufgabe zur Stimmenerstellung angenommen

created

integer

Zeitstempel der Aufgabenerstellung

Beispiel:

1775123456

string

Aufgaben-ID

Beispiel:

"task-unified-1775123456-abcd1234"

model

string

Tatsächlich verwendetes Modell

Beispiel:

"voice-enrollment"

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

Voice Enrollment: Benutzerdefinierte Stimme erstellen

Autorisierungen

Alle Endpunkte erfordern Bearer-Token-Authentifizierung

Body

Antwort