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

Synthèse vocale Qwen Audio 3.1 TTS Flash

Convertissez du texte en audio, jusqu’à 5000 caractères par requête
68 voix système : consultez la liste des voix. Vous pouvez aussi utiliser une voix créée par clonage ou conception avec Voice Enrollment
Les voix personnalisées expirent par défaut 6 heures après la fin de leur création. La synthèse renvoie ensuite 404 (voice_expired) ; créez une nouvelle voix avec Voice Enrollment
Instructions en langage naturel (instruction), balises émotionnelles et paralinguistiques dans le texte, SSML et prononciation personnalisée (hot_fix)
Seuls les paramètres ci-dessous sont acceptés ; les autres renvoient 400 (unsupported_parameter)
Traitement asynchrone : utilisez l’ID de tâche renvoyé pour consulter le résultat
Aucune annulation après soumission
Les liens audio sont valides 24 heures ; enregistrez-les rapidement

Facturation :

Selon les tokens réellement utilisés : tokens d’entrée (liés à la longueur du texte) et de sortie (liés à la durée audio), facturés séparément
Des crédits sont réservés à la soumission selon la longueur du texte (usage.credits_reserved). À la fin, le coût réel est régularisé : remboursement de l’excédent ou facturation du solde. Remboursement intégral en cas d’échec
Chiffres, lettres et symboles peuvent être lus individuellement, produisant un audio plus long et davantage de tokens de sortie qu’un texte ordinaire de même longueur ; le coût réel peut dépasser la réservation
Pour un même texte, les instructions ou balises de lecture lente, comme [very slowly], peuvent nettement augmenter les tokens de sortie. Le réglage speech_rate et les pauses SSML ne les augmentent pas

Résultat de tâche (lorsque status vaut completed) :

Champ	Description
`results[0]`	URL audio
`result_data[0].audio_url`	URL audio, identique à `results[0]`
`result_data[0].format`	Format audio
`result_data[0].sample_rate`	Fréquence d’échantillonnage (Hz)
`usage.input_tokens` / `usage.output_tokens` / `usage.total_tokens`	Tokens utilisés pour cette synthèse
`usage.credits_used`	Crédits réellement utilisés

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
  }
}

Autorisations

Authorization

string

header

requis

Tous les points d’accès exigent une authentification par token Bearer

Obtenir une clé API :

Rendez-vous dans Gestion des clés API pour obtenir votre clé

Ajoutez cet en-tête :

Authorization: Bearer YOUR_API_KEY

Corps

application/json

Option 1
Option 2

Fournissez au moins un texte non vide dans prompt ou input. Si les deux sont présents, leurs contenus doivent être identiques. Si response_format et format sont présents, leurs valeurs doivent aussi être identiques.

prompt

string

requis

Texte à synthétiser

Contraintes :

Maximum 5000 caractères
Conservez la ponctuation des textes longs : un long passage sans séparation de phrases peut être tronqué en amont vers 1500 tokens de sortie (environ 120 secondes d’audio). La tâche reste indiquée comme réussie et facturée selon les tokens générés ; la passerelle ne peut pas détecter cette troncature
Vous pouvez utiliser input. Au moins un texte non vide est requis ; préférez un seul champ. Des contenus différents renvoient 400 (parameter_conflict)
Le texte doit être dans une langue prise en charge par la voix choisie, sinon la prononciation peut être incorrecte

Balises émotionnelles et paralinguistiques : Insérez-les directement dans le texte, sans paramètre supplémentaire ; leur texte compte dans les caractères de facturation

Balises de contrôle: Définissent l’émotion ou le style du texte qui suit jusqu’à la prochaine balise de contrôle. [sad] triste, [amazed] étonné, [deep and loud shouting] cri grave et puissant, [trembling] tremblant, [angry] en colère, [excited] enthousiaste, [sarcastic] sarcastique, [curious] curieux, [like dracula] grave et inquiétant, [bored] ennuyé, [tired] fatigué, [scornful] méprisant, [shouting] cri, [asmr] chuchotement doux ASMR, [panicked] paniqué, [mischievously] espiègle, [empathetic] empathique, [whispers] chuchotement, [reluctantly] à contrecœur, [crying] pleurs, [serious] sérieux, [very slowly] très lentement, [very fast] très vite
Balises paralinguistiques: Insèrent un effet vocal à cet endroit sans modifier l’émotion du texte environnant. [gasp] inspiration brusque, [sighing] soupir, [clears throat] raclement de gorge, [giggles] petit rire, [laughing] rire, [cough] toux, [snorts] reniflement

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

Avec enable_ssml: true, ce champ est interprété comme du SSML

Maximum string length: 5000

Pattern: \S

Exemple:

"我家的后面有一个很大的花园。"

model

enum<string>

défaut:qwen-audio-3.1-tts-flash

requis

Nom du modèle

Options disponibles:

qwen-audio-3.1-tts-flash

Exemple:

"qwen-audio-3.1-tts-flash"

input

string

Alias de prompt, avec les mêmes limites de longueur et règles d’utilisation

Fournissez au moins un texte non vide dans prompt ou input
Si les deux sont présents, leurs contenus doivent être identiques, sinon 400 (parameter_conflict)

Maximum string length: 5000

Exemple:

"我家的后面有一个很大的花园。"

voice

string

défaut:longanhuan_v3.1

Nom de voix, sensible à la casse

68 voix système ; noms, genre et usages dans la liste des voix
Par défaut : longanhuan_v3.1
Vous pouvez utiliser une voix créée avec Voice Enrollment : qwen-audio-3.1-tts-flash-{prefix}-{32-character-id} pour le clonage, qwen-audio-3.1-tts-flash-vd-{prefix}-{32-character-id} pour la conception. Seul le compte créateur peut l’utiliser. Les voix d’autres modèles, comme qwen-tts-vd-… de qwen-voice-design, renvoient 400 (invalid_voice). Une voix inexistante ou appartenant à un autre compte renvoie 404 (voice_not_found)
Les voix personnalisées expirent par défaut 6 heures après la fin de leur création. Ensuite, la synthèse renvoie 404 (voice_expired) ; créez une nouvelle voix avec Voice Enrollment

Exemple:

"longanhuan_v3.1"

response_format

enum<string>

défaut:mp3

Format audio de sortie : mp3, wav ou opus, par défaut mp3

opus utilise un conteneur Ogg Opus
Vous pouvez aussi utiliser format. Préférez un seul champ ; des valeurs différentes renvoient 400 (parameter_conflict)

Options disponibles:

mp3,

wav,

opus

Exemple:

"mp3"

format

enum<string>

Alias de response_format ; accepte mp3, wav et opus

Par défaut mp3 si les deux champs sont absents
Si les deux sont présents, les valeurs doivent être identiques, sinon 400 (parameter_conflict)

Options disponibles:

mp3,

wav,

opus

Exemple:

"mp3"

sample_rate

enum<integer> | null

défaut:24000

Fréquence d’échantillonnage de sortie (Hz)

22050 et 44100 ne sont pas acceptés avec response_format: opus
Absence ou null utilise la valeur par défaut ; 0 ou une valeur hors liste renvoie 400

Options disponibles:

8000,

12000,

16000,

22050,

24000,

44100,

48000,

null

Exemple:

24000

volume

integer

défaut:50

Volume, de 0 à 100

Plage requise: 0 <= x <= 100

Exemple:

50

speech_rate

number

défaut:1

Multiplicateur de vitesse de parole

1.0 : vitesse normale (par défaut)
2.0 : vitesse double ; 0.5 : demi-vitesse

Plage : 0.5 à 2.0. Ce réglage ne change pas le nombre de tokens de sortie

Plage requise: 0.5 <= x <= 2

Exemple:

1

pitch

number

défaut:1

Multiplicateur de hauteur de voix

1.0 : hauteur par défaut
Au-dessus de 1.0, voix plus aiguë ; en dessous, plus grave

Plage : 0.5 à 2.0

Changer la hauteur modifie aussi la vitesse et la durée audio

Une hauteur plus élevée accélère et raccourcit l’audio ; une hauteur plus basse ralentit et allonge l’audio. La durée varie approximativement comme l’inverse du carré de la valeur
Pour une phrase de 2.8 secondes à 1.0 : 0.8 donne environ 4.3 secondes, 1.2 2.1 secondes, 0.5 10.9 secondes et 2.0 0.7 seconde
Préférez de petits ajustements entre 0.8 et 1.2 ; près de 0.5 ou 2.0, la parole devient nettement trop lente ou rapide
Si speech_rate est aussi défini à une valeur différente de 1.0, pitch est sans effet ; les deux ne se cumulent pas
Le réglage de hauteur ne change pas le nombre de tokens de sortie

Plage requise: 0.5 <= x <= 2

Exemple:

1

instruction

string

Instructions en langage naturel pour contrôler émotion, ton, personnage, dialecte et expression

Contraintes :

Maximum 100 caractères de facturation : les caractères Han (y compris les kanji japonais et les hanja coréens) comptent pour 2 ; les autres, y compris les kana et le hangul, pour 1 (environ 50 caractères Han ou 100 caractères anglais). Dépassement : 400

Exemples :

用欢快、热情的语气说 (parler joyeusement et avec enthousiasme)
请用上海话表达 (parler shanghaïen ; voix multilingues et dialectales)
Speak slowly in a calm and gentle tone

Les instructions ne comptent pas dans les tokens d’entrée, mais peuvent modifier la durée audio et donc les tokens de sortie

Le paramètre est instruction (au singulier) ; instructions renvoie 400

Exemple:

"用欢快、热情的语气说"

language

enum<string>

Indication de langue cible pour améliorer la lecture des chiffres, abréviations et symboles ainsi que la synthèse dans les langues moins courantes

Par exemple, avec zh, 110 dans hello, this is 110 se lit en chinois « yao yao ling »

Valeur	Langue	Valeur	Langue
`zh`	Chinois	`th`	Thaï
`en`	Anglais	`id`	Indonésien
`fr`	Français	`vi`	Vietnamien
`de`	Allemand	`es`	Espagnol
`ja`	Japonais	`it`	Italien
`ko`	Coréen	`ms`	Malais
`ru`	Russe	`fil`	Filipino
`pt`	Portugais	`ar`	Arabe

Sans ce paramètre, le modèle détecte la langue ; il ne traduit pas le texte

Options disponibles:

zh,

en,

fr,

de,

ja,

ko,

ru,

pt,

th,

id,

vi,

es,

it,

ms,

fil,

ar

Exemple:

"zh"

enable_ssml

boolean

défaut:false

Interpréter prompt comme du SSML

Une fois activé, les balises SSML sont utilisables, comme <break time="1s"/> pour une pause : <speak>欢迎收听今天的节目。<break time="1s"/>我们马上开始。</speak>

Les pauses SSML ne comptent pas dans les tokens de sortie

Exemple:

false

hot_fix

object

Prononciation personnalisée et remplacement de texte pour corriger les caractères à plusieurs lectures, noms propres et autres prononciations

pronunciation : annotez les mots en pinyin, avec des espaces entre syllabes et des chiffres pour les tons, comme tian1 qi4
replace : remplace les mots avant la synthèse. Synthèse et facturation utilisent le texte remplacé, toujours limité à 5000 caractères ; dépassement : 400 (prompt_too_long)

Les deux listes sont limitées à 200 entrées au total, comptées comme paires clé-valeur dans les objets. Dépassement : 400 (invalid_parameter)

Fournissez au moins une liste. Chaque liste fournie doit être un tableau non vide d’objets de forme {"mot": "valeur"}

Exemple :

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

Show child attributes

enable_aigc_tag

boolean

défaut:false

Intégrer un marqueur AIGC invisible dans l’audio généré (formats wav / mp3 / opus)

Exemple:

false

callback_url

string<uri>

URL HTTPS de rappel pour le résultat de la tâche

Déclenchement :

À la fin (completed) ou à l’échec (failed) de la tâche; ce modèle ne permet pas l’annulation
Après confirmation de la facturation

Sécurité :

HTTPS uniquement
Adresses IP privées interdites (127.0.0.1, 10.x.x.x, 172.16–31.x.x, 192.168.x.x, etc.)
URL de 2048 caractères maximum

Livraison :

Délai d’expiration : 10 secondes
Au plus 3 nouvelles tentatives après un échec, avec délais de 1 / 2 / 4 secondes
Corps du rappel au même format que la réponse de consultation de tâche
Un statut 2xx indique le succès ; les autres déclenchent une nouvelle tentative

Exemple:

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

Réponse

Tâche de synthèse vocale créée

created

integer

Horodatage de création de la tâche

Exemple:

1790000000

string

ID de tâche

Exemple:

"task-unified-1790000000-abcd1234"

model

string

Modèle effectivement utilisé

Exemple:

"qwen-audio-3.1-tts-flash"

object

enum<string>

Type précis de l’objet de tâche

Options disponibles:

audio.generation.task

progress

integer

Progression de la tâche en pourcentage (0–100)

Plage requise: 0 <= x <= 100

Exemple:

0

status

enum<string>

État de la tâche

Options disponibles:

pending,

processing,

completed,

failed

Exemple:

"pending"

task_info

object

Détails de la tâche audio

Show child attributes

type

enum<string>

Type de sortie de la tâche

Options disponibles:

audio

Exemple:

"audio"

usage

object

Informations d’utilisation et de facturation

Show child attributes

Série Image

Série Vidéo

Série Audio

Série Texte

Gestion du compte

Gestion des tâches

Gestion des fichiers

Synthèse vocale Qwen Audio 3.1 TTS Flash

Autorisations

Tous les points d’accès exigent une authentification par token Bearer

Corps

Réponse