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

Síntesis de voz Qwen Audio 3.1 TTS Flash

Convierte texto en voz, hasta 5000 caracteres por solicitud
68 voces del sistema; consulta la lista de voces. También puedes usar una voz propia creada mediante clonación o diseño con Voice Enrollment
Las voces personalizadas caducan por defecto 6 horas después de completar su creación. Después, la síntesis devuelve 404 (voice_expired); crea una nueva voz con Voice Enrollment
Admite instrucciones en lenguaje natural (instruction), etiquetas emocionales y paralingüísticas en el texto, SSML y pronunciación personalizada (hot_fix)
Solo se aceptan los parámetros indicados abajo; los demás devuelven 400 (unsupported_parameter)
Procesamiento asíncrono; usa el ID de tarea devuelto para consultar el resultado
Las tareas no pueden cancelarse tras enviarlas
Los enlaces de audio son válidos durante 24 horas; guárdalos pronto

Facturación:

Según el uso real de tokens: los de entrada (relacionados con la longitud del texto) y los de salida (con la duración del audio) se cobran por separado
Al enviar, se reservan créditos según la longitud del texto (usage.credits_reserved). Al finalizar se ajustan al uso real, devolviendo el exceso o cobrando la diferencia. Si falla la tarea, se devuelve todo
Los números, letras y símbolos pueden leerse individualmente, generando audio más largo y más tokens de salida que un texto normal de igual longitud; el consumo real puede superar la reserva
Para un mismo texto, las instrucciones o etiquetas de lectura lenta, como [very slowly], pueden aumentar mucho los tokens de salida. Ajustar speech_rate e insertar pausas SSML no los aumenta

Resultado de tarea (cuando status es completed):

Campo	Descripción
`results[0]`	URL del audio
`result_data[0].audio_url`	URL del audio, igual a `results[0]`
`result_data[0].format`	Formato de audio
`result_data[0].sample_rate`	Frecuencia de muestreo (Hz)
`usage.input_tokens` / `usage.output_tokens` / `usage.total_tokens`	Tokens utilizados en esta síntesis
`usage.credits_used`	Créditos realmente utilizados

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
  }
}

Autorizaciones

Authorization

string

header

requerido

Todos los endpoints requieren autenticación con token Bearer

Obtener una clave API:

Visita Gestión de claves API para obtener tu clave

Añade esta cabecera:

Authorization: Bearer YOUR_API_KEY

Cuerpo

application/json

Option 1
Option 2

Proporciona al menos un texto no vacío en prompt o input. Si se envían ambos, sus contenidos deben coincidir. Si se envían response_format y format, sus valores deben coincidir.

prompt

string

requerido

Texto que se sintetizará

Restricciones:

Máximo 5000 caracteres
Mantén la puntuación en textos largos: los pasajes continuos sin separación de frases pueden truncarse en el proveedor alrededor de 1500 tokens de salida (unos 120 segundos de audio). La tarea sigue figurando como correcta y se factura por los tokens generados; el gateway no puede detectar este truncamiento
También puedes usar input. Se requiere al menos un texto no vacío; se recomienda enviar solo un campo. Contenidos diferentes devuelven 400 (parameter_conflict)
El texto debe estar en un idioma admitido por la voz elegida; de lo contrario puede haber errores de pronunciación

Etiquetas emocionales y paralingüísticas: Se insertan directamente en el texto, sin parámetros adicionales; su texto cuenta como caracteres de facturación

Etiquetas de control: Definen la emoción o el estilo del texto siguiente hasta la próxima etiqueta de control. [sad] triste, [amazed] asombrado, [deep and loud shouting] grito grave y fuerte, [trembling] tembloroso, [angry] enfadado, [excited] emocionado, [sarcastic] sarcástico, [curious] curioso, [like dracula] grave e inquietante, [bored] aburrido, [tired] cansado, [scornful] desdeñoso, [shouting] gritando, [asmr] susurro suave ASMR, [panicked] en pánico, [mischievously] travieso, [empathetic] empático, [whispers] susurrando, [reluctantly] a regañadientes, [crying] llorando, [serious] serio, [very slowly] muy despacio, [very fast] muy rápido
Etiquetas paralingüísticas: Insertan un efecto vocal en ese punto sin cambiar la emoción del texto circundante. [gasp] jadeo, [sighing] suspiro, [clears throat] carraspeo, [giggles] risita, [laughing] risa, [cough] tos, [snorts] resoplido

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

Con enable_ssml: true, este campo se interpreta como SSML

Maximum string length: 5000

Pattern: \S

Ejemplo:

"我家的后面有一个很大的花园。"

model

enum<string>

predeterminado:qwen-audio-3.1-tts-flash

requerido

Nombre del modelo

Opciones disponibles:

qwen-audio-3.1-tts-flash

Ejemplo:

"qwen-audio-3.1-tts-flash"

input

string

Alias de prompt, con las mismas reglas y límites de longitud

Proporciona al menos un texto no vacío en prompt o input
Si se envían ambos, sus contenidos deben coincidir; de lo contrario, 400 (parameter_conflict)

Maximum string length: 5000

Ejemplo:

"我家的后面有一个很大的花园。"

voice

string

predeterminado:longanhuan_v3.1

Nombre de voz, distingue mayúsculas y minúsculas

68 voces del sistema; nombres, género y usos en la lista de voces
Por defecto longanhuan_v3.1
También admite voces creadas con Voice Enrollment: qwen-audio-3.1-tts-flash-{prefix}-{32-character-id} para clonación, qwen-audio-3.1-tts-flash-vd-{prefix}-{32-character-id} para diseño. Solo puede usarlas la cuenta que las creó. Voces de otros modelos, como qwen-tts-vd-… de qwen-voice-design, devuelven 400 (invalid_voice). Las inexistentes o de otra cuenta devuelven 404 (voice_not_found)
Las voces personalizadas caducan por defecto 6 horas después de completar su creación. Después, la síntesis devuelve 404 (voice_expired); crea una nueva voz con Voice Enrollment

Ejemplo:

"longanhuan_v3.1"

response_format

enum<string>

predeterminado:mp3

Formato de salida: mp3, wav u opus, por defecto mp3

opus usa un contenedor Ogg Opus
También puedes usar format. Se recomienda enviar solo un campo; valores diferentes devuelven 400 (parameter_conflict)

Opciones disponibles:

mp3,

wav,

opus

Ejemplo:

"mp3"

format

enum<string>

Alias de response_format; admite mp3, wav y opus

Si faltan ambos campos, se usa mp3
Si se envían ambos, sus valores deben coincidir; de lo contrario, 400 (parameter_conflict)

Opciones disponibles:

mp3,

wav,

opus

Ejemplo:

"mp3"

sample_rate

enum<integer> | null

predeterminado:24000

Frecuencia de muestreo de salida (Hz)

22050 y 44100 no se admiten con response_format: opus
Si se omite o es null, se usa el valor predeterminado; 0 o valores fuera de la lista devuelven 400

Opciones disponibles:

8000,

12000,

16000,

22050,

24000,

44100,

48000,

null

Ejemplo:

24000

volume

integer

predeterminado:50

Volumen, de 0 a 100

Rango requerido: 0 <= x <= 100

Ejemplo:

50

speech_rate

number

predeterminado:1

Multiplicador de velocidad

1.0: velocidad normal (predeterminada)
2.0: doble velocidad; 0.5: media velocidad

Rango: 0.5 a 2.0. Este ajuste no cambia el número de tokens de salida

Rango requerido: 0.5 <= x <= 2

Ejemplo:

1

pitch

number

predeterminado:1

Multiplicador de tono

1.0: tono predeterminado
Mayor que 1.0, voz más aguda; menor, más grave

Rango: 0.5 a 2.0

Cambiar el tono también cambia la velocidad y la duración del audio

Un tono más alto acelera y acorta el audio; uno más bajo lo ralentiza y alarga. La duración varía aproximadamente de forma inversa al cuadrado del valor
Para una frase de unos 2.8 segundos con 1.0: 0.8 da unos 4.3 segundos, 1.2 2.1 segundos, 0.5 10.9 segundos y 2.0 0.7 segundos
Se recomiendan ajustes pequeños entre 0.8 y 1.2; cerca de 0.5 o 2.0, la voz resulta demasiado lenta o rápida
Si también se envía speech_rate distinto de 1.0, pitch no tiene efecto; no pueden combinarse
Ajustar el tono no cambia el número de tokens de salida

Rango requerido: 0.5 <= x <= 2

Ejemplo:

1

instruction

string

Instrucciones en lenguaje natural para controlar emoción, tono, personaje, dialecto y expresión

Restricciones:

Máximo 100 caracteres de facturación: cada carácter Han (incluidos los kanji japoneses y los hanja coreanos) cuenta como 2; los demás, incluidos kana y hangul, como 1 (unos 50 caracteres Han o 100 ingleses). Superar el límite devuelve 400

Ejemplos:

用欢快、热情的语气说 (hablar de forma alegre y entusiasta)
请用上海话表达 (usar shanghainés; voces multilingües y dialectales)
Speak slowly in a calm and gentle tone

Las instrucciones no cuentan como tokens de entrada, pero pueden cambiar la duración del audio y los tokens de salida

El parámetro es instruction (singular); instructions devuelve 400

Ejemplo:

"用欢快、热情的语气说"

language

enum<string>

Indicación del idioma de destino para mejorar la lectura de números, abreviaturas y símbolos y la síntesis en idiomas menos comunes

Por ejemplo, con zh, 110 en hello, this is 110 se lee en chino como «yao yao ling»

Valor	Idioma	Valor	Idioma
`zh`	Chino	`th`	Tailandés
`en`	Inglés	`id`	Indonesio
`fr`	Francés	`vi`	Vietnamita
`de`	Alemán	`es`	Español
`ja`	Japonés	`it`	Italiano
`ko`	Coreano	`ms`	Malayo
`ru`	Ruso	`fil`	Filipino
`pt`	Portugués	`ar`	Árabe

Si se omite, el modelo detecta el idioma; este parámetro no traduce el texto

Opciones disponibles:

zh,

en,

fr,

de,

ja,

ko,

ru,

pt,

th,

id,

vi,

es,

it,

ms,

fil,

ar

Ejemplo:

"zh"

enable_ssml

boolean

predeterminado:false

Interpretar prompt como SSML

Si se activa, puedes usar etiquetas SSML, como <break time="1s"/> para insertar una pausa: <speak>欢迎收听今天的节目。<break time="1s"/>我们马上开始。</speak>

Las pausas SSML no cuentan como tokens de salida

Ejemplo:

false

hot_fix

object

Pronunciación personalizada y sustitución de texto para corregir caracteres con varias lecturas, nombres propios y otras pronunciaciones

pronunciation: anota palabras con pinyin, separando sílabas con espacios y marcando tonos con cifras, como tian1 qi4
replace: sustituye palabras antes de sintetizar. La síntesis y la facturación usan el texto resultante, que también debe respetar 5000 caracteres; superar el límite devuelve 400 (prompt_too_long)

Ambas listas admiten como máximo 200 entradas en total, contadas como pares clave-valor de los objetos. Superar el límite devuelve 400 (invalid_parameter)

Proporciona al menos una lista. Cada lista enviada debe ser un array no vacío de objetos de forma {"palabra": "valor"}

Ejemplo:

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

Show child attributes

enable_aigc_tag

boolean

predeterminado:false

Insertar una marca AIGC invisible en el audio generado (para wav / mp3 / opus)

Ejemplo:

false

callback_url

string<uri>

URL HTTPS de callback para el resultado de la tarea

Momento:

Cuando la tarea termina (completed) o falla (failed); este modelo no permite cancelación
Después de confirmar la facturación

Seguridad:

Solo HTTPS
Se prohíben IP privadas (127.0.0.1, 10.x.x.x, 172.16–31.x.x, 192.168.x.x, etc.)
URL de máximo 2048 caracteres

Entrega:

Tiempo de espera: 10 segundos
Máximo 3 reintentos tras un fallo, con demoras de 1 / 2 / 4 segundos
Cuerpo del callback con el mismo formato que la respuesta de consulta de tarea
Un estado 2xx indica éxito; los demás provocan reintentos

Ejemplo:

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

Respuesta

Tarea de síntesis de voz creada correctamente

created

integer

Marca de tiempo de creación de la tarea

Ejemplo:

1790000000

string

ID de tarea

Ejemplo:

"task-unified-1790000000-abcd1234"

model

string

Modelo utilizado realmente

Ejemplo:

"qwen-audio-3.1-tts-flash"

object

enum<string>

Tipo específico de objeto de tarea

Opciones disponibles:

audio.generation.task

progress

integer

Progreso de la tarea en porcentaje (0–100)

Rango requerido: 0 <= x <= 100

Ejemplo:

0

status

enum<string>

Estado de la tarea

Opciones disponibles:

pending,

processing,

completed,

failed

Ejemplo:

"pending"

task_info

object

Detalles de la tarea de audio

Show child attributes

type

enum<string>

Tipo de salida de la tarea

Opciones disponibles:

audio

Ejemplo:

"audio"

usage

object

Información de uso y facturación

Show child attributes

Serie de imágenes

Serie de videos

Serie de audio

Serie de texto

Gestión de cuenta

Gestión de tareas

Gestión de archivos

Síntesis de voz Qwen Audio 3.1 TTS Flash

Autorizaciones

Todos los endpoints requieren autenticación con token Bearer

Cuerpo

Respuesta