কনটেন্টে যান

Qwen 3 TTS - Text to Speech [1.7B]

ইন্টিগ্রেট করুন

মডেল id qwen-3-tts/text-to-speech/1.7b
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/qwen-3-tts/text-to-speech/1.7b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ: ০.০০৫$ ৫ API ক্রেডিট · ≈ ০.৫৪₽ এই পেজে চালান

API কী পান
Alibaba টেক্সট থেকে স্পিচ রেফারেন্স ইনপুট #text-to-speech

প্রিসেট কণ্ঠ, স্টাইল প্রম্পট এবং ক্লোন করা কণ্ঠের সহায়তাসহ বড় 1.7B Qwen3 text-to-speech মডেল

Alibaba · অডিও

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক

বক্তৃতায় রূপান্তর করার টেক্সট কনটেন্ট।

ঐচ্ছিক বক্তৃতা-শৈলী নির্দেশনা; স্পিকার এমবেডিং দেওয়া হলে উপেক্ষা করা হয়।

অ্যাডভান্সড reference_text · speaker_voice_embedding_file_url · voice · language · top_k · top_p · temperature · repetition_penalty · subtalker_top_k · subtalker_top_p · subtalker_temperature · max_new_tokens · subtalker_dosample · enable_safety_checker

রেফারেন্স টেক্সট, ক্লোন করা ভয়েস দিয়ে সংশ্লেষণ উন্নত করতে ঐচ্ছিকভাবে দেওয়া যায়; এটি স্পিকার এমবেডিং তৈরি করতে ব্যবহৃত টেক্সট হতে হবে।

একটি ফাইল ড্রপ করুন, অথবা

স্পিচ সংশ্লেষণের জন্য ক্লোন করা ভয়েস; দেওয়া হলে পূর্বনির্ধারিত ভয়েস অপশনগুলো প্রতিস্থাপন করে।

স্পিচ-সিন্থেসিস ভয়েস নির্বাচন; দেওয়া যেকোনো স্পিকার এমবেডিং এটি প্রতিস্থাপন করে। ভয়েসের বিবরণ ও প্রধান ভাষার সমর্থন [ভয়েস ডকুমেন্টেশনে](https://github.com/QwenLM/Qwen3-TTS/tree/main?tab=readme-ov-file#custom-voice-generate) তালিকাভুক্ত আছে।

ডিফল্ট Auto

ভয়েসে ব্যবহৃত ভাষা।

ডিফল্ট 50

top-k sampling-এর সেটিং।

ডিফল্ট 1

স্যাম্পলিংয়ের সময় ব্যবহৃত Top-p সেটিং।

ডিফল্ট 0.9

স্যাম্পলিংয়ের সময় ব্যবহৃত তাপমাত্রা; বড় মান র‍্যান্ডমনেস বাড়ায়।

ডিফল্ট 1.05

টোকেন বা কোড পুনরাবৃত্তি নিরুৎসাহিত করার পেনাল্টি।

ডিফল্ট 50

সাব-টকার থেকে স্যাম্পলিংয়ের সময় ব্যবহৃত Top-k সেটিং।

ডিফল্ট 1

সাব-টকার থেকে স্যাম্পলিংয়ের সময় ব্যবহৃত Top-p সেটিং।

ডিফল্ট 0.9

সাব-টকারের ব্যবহৃত স্যাম্পলিং তাপমাত্রা।

ডিফল্ট 200

নতুন জেনারেট করা কোডেক টোকেনের সর্বোচ্চ সীমা।

POST /run/qwen-3-tts/text-to-speech/1.7b?wait=20 মূল্য → ০.০০৫$
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/qwen-3-tts/text-to-speech/1.7b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from Doitong. This is a short test sentence."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

Qwen 3 TTS - Text to Speech [1.7B] সম্পর্কে

1.7B মডেল দিয়ে `text`-কে কথায় রূপান্তর করে। নয়টি প্রিসেট কণ্ঠের একটি ব্যবহার করুন অথবা `speaker_voice_embedding_file_url`-এর মাধ্যমে ক্লোন করা কণ্ঠ ব্যবহার করুন; ক্লোনিংয়ের জন্য `reference_text` যোগ করুন। এমবেডিং না দিলে ঐচ্ছিক `prompt` কথা বলার স্টাইল নির্দেশ করে। `language` Auto এবং দশটি ভাষা গ্রহণ করে, আর `max_new_tokens` 1 থেকে 8192 পর্যন্ত হয়।

প্যারামিটার

নামধরন ডিফল্টঅনুমোদিত বিবরণ
textআবশ্যক
ধরনstring
বক্তৃতায় রূপান্তর করার টেক্সট কনটেন্ট।
promptঐচ্ছিক
ধরনstring | null
ঐচ্ছিক বক্তৃতা-শৈলী নির্দেশনা; স্পিকার এমবেডিং দেওয়া হলে উপেক্ষা করা হয়।
voiceঐচ্ছিক
ধরনenum
VivianSerenaUncle_FuDylanEricRyanAidenOno_AnnaSohee
স্পিচ-সিন্থেসিস ভয়েস নির্বাচন; দেওয়া যেকোনো স্পিকার এমবেডিং এটি প্রতিস্থাপন করে। ভয়েসের বিবরণ ও প্রধান ভাষার সমর্থন [ভয়েস ডকুমেন্টেশনে](https://github.com/QwenLM/Qwen3-TTS/tree/main?tab=readme-ov-file#custom-voice-generate) তালিকাভুক্ত আছে।
languageঐচ্ছিক
ধরনenum
ডিফল্টAuto
AutoEnglishChineseSpanishFrenchGermanItalianJapaneseKoreanPortugueseRussian
ভয়েসে ব্যবহৃত ভাষা।
speaker_voice_embedding_file_urlঐচ্ছিক
ধরনurl · file
স্পিচ সংশ্লেষণের জন্য ক্লোন করা ভয়েস; দেওয়া হলে পূর্বনির্ধারিত ভয়েস অপশনগুলো প্রতিস্থাপন করে।
reference_textঐচ্ছিক
ধরনstring | null
রেফারেন্স টেক্সট, ক্লোন করা ভয়েস দিয়ে সংশ্লেষণ উন্নত করতে ঐচ্ছিকভাবে দেওয়া যায়; এটি স্পিকার এমবেডিং তৈরি করতে ব্যবহৃত টেক্সট হতে হবে।
top_kঐচ্ছিক
ধরনinteger | null
ডিফল্ট50
≥ ০
top-k sampling-এর সেটিং।
top_pঐচ্ছিক
ধরনnumber | null
ডিফল্ট1
০ – ১
স্যাম্পলিংয়ের সময় ব্যবহৃত Top-p সেটিং।
temperatureঐচ্ছিক
ধরনnumber | null
ডিফল্ট0.9
≤ ১> ০
স্যাম্পলিংয়ের সময় ব্যবহৃত তাপমাত্রা; বড় মান র‍্যান্ডমনেস বাড়ায়।
repetition_penaltyঐচ্ছিক
ধরনnumber | null
ডিফল্ট1.05
≥ ০
টোকেন বা কোড পুনরাবৃত্তি নিরুৎসাহিত করার পেনাল্টি।
subtalker_dosampleঐচ্ছিক
ধরনboolean | null
ডিফল্টtrue
সাব-টকারের স্যাম্পলিং সক্রিয় বা নিষ্ক্রিয় করার সুইচ।
subtalker_top_kঐচ্ছিক
ধরনinteger | null
ডিফল্ট50
≥ ০
সাব-টকার থেকে স্যাম্পলিংয়ের সময় ব্যবহৃত Top-k সেটিং।
subtalker_top_pঐচ্ছিক
ধরনnumber | null
ডিফল্ট1
০ – ১
সাব-টকার থেকে স্যাম্পলিংয়ের সময় ব্যবহৃত Top-p সেটিং।
subtalker_temperatureঐচ্ছিক
ধরনnumber | null
ডিফল্ট0.9
০ – ১
সাব-টকারের ব্যবহৃত স্যাম্পলিং তাপমাত্রা।
max_new_tokensঐচ্ছিক
ধরনinteger | null
ডিফল্ট200
১ – ৮,১৯২
নতুন জেনারেট করা কোডেক টোকেনের সর্বোচ্চ সীমা।
enable_safety_checkerঐচ্ছিক
ধরনboolean
ডিফল্টtrue
কলকারী অনুমোদিত হলে false সেট করে স্ক্রিনিং শিথিল করা যায়।
আবশ্যক

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "qwen-3-tts/text-to-speech/1.7b",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 5,
    "usd": "0.005",
    "charged": 5,
    "refunded": 0
  },
  "input": {
    "text": "Hello from Doitong. This is a short test sentence."
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200,
      "duration": 5,
      "channels": 1,
      "sample_rate": 1,
      "bitrate": "string"
    }
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
audio
object {url, content_type, file_name, file_size, duration, channels, sample_rate, bitrate}সংশ্লেষিত স্পিচ ধারণকারী অডিও ফাইল।

আরও মডেল: টেক্সট থেকে স্পিচ

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/qwen-3-tts/text-to-speech/1.7b.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt