رفتن به محتوا

Qwen 3 TTS - Text to Speech [1.7B]

یکپارچه‌سازی

شناسه مدل 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"

این درخواست: ⁨‎$۰٫۰۰۵⁩ ۵ اعتبار API · ≈ ⁨‎₽۰٫۵۴⁩ اجرای آن در این صفحه

دریافت کلید API
Alibaba متن به گفتار ورودی‌های مرجع #text-to-speech

مدل بزرگ‌تر 1.7B Qwen3 برای تبدیل متن به گفتار، با صداهای ازپیش‌تنظیم‌شده، پرامپت سبک و پشتیبانی از صدای کلون‌شده

Alibaba · صوت

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی

محتوای متنی برای تبدیل به گفتار.

دستورهای اختیاری سبک گفتار که هرگاه embedding گوینده ارائه شود، نادیده گرفته می‌شوند.

پیشرفته 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

متن مرجع که به‌صورت اختیاری برای بهبود سنتز با صدای شبیه‌سازی‌شده ارائه می‌شود؛ باید همان متنی باشد که برای ایجاد embedding گوینده استفاده شده است.

یک فایل بیندازید، یا

صدای شبیه‌سازی‌شده برای سنتز گفتار که در صورت ارائه، جایگزین گزینه‌های صدای از پیش تعریف‌شده می‌شود.

انتخاب صدای سنتز گفتار که با هر embedding گوینده ارائه‌شده بازنویسی می‌شود. جزئیات صدا و پشتیبانی از زبان‌های اصلی در [مستندات صدا](https://github.com/QwenLM/Qwen3-TTS/tree/main?tab=readme-ov-file#custom-voice-generate) فهرست شده‌اند.

پیش‌فرض Auto

زبان استفاده‌شده توسط صدا.

پیش‌فرض 50

تنظیم نمونه‌برداری top-k.

پیش‌فرض 1

تنظیم Top-p استفاده‌شده هنگام نمونه‌برداری.

پیش‌فرض 0.9

دمای استفاده‌شده هنگام نمونه‌برداری؛ مقادیر بزرگ‌تر تصادفی‌بودن را افزایش می‌دهند.

پیش‌فرض 1.05

جریمه‌ای که تکرار توکن‌ها یا کدها را کاهش می‌دهد.

پیش‌فرض 50

تنظیم top-k هنگام نمونه‌برداری از گفت‌وگوران فرعی.

پیش‌فرض 1

تنظیم top-p هنگام نمونه‌برداری از گفت‌وگوران فرعی.

پیش‌فرض 0.9

دمای نمونه‌برداری مورد استفاده گفت‌وگوران فرعی.

پیش‌فرض 200

حد بالای توکن‌های کدکِ جدید تولیدشده.

POST /run/qwen-3-tts/text-to-speech/1.7b?wait=20 قیمت → ⁨‎$۰٫۰۰۵⁩
# 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"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

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

با مدل 1.7B، `text` را به گفتار تبدیل می‌کند. یکی از نه صدای پیش‌تنظیم یا صدای شبیه‌سازی‌شده از طریق `speaker_voice_embedding_file_url` را استفاده کنید و برای شبیه‌سازی، `reference_text` را اضافه کنید. وقتی امبدینگ ارائه نشده باشد، یک `prompt` اختیاری سبک گفتار را هدایت می‌کند. `language` مقدار Auto و ده زبان را می‌پذیرد و `max_new_tokens` بین 1 تا 8192 است.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
textالزامی
نوعstring
محتوای متنی برای تبدیل به گفتار.
promptاختیاری
نوعstring | null
دستورهای اختیاری سبک گفتار که هرگاه embedding گوینده ارائه شود، نادیده گرفته می‌شوند.
voiceاختیاری
نوعenum
VivianSerenaUncle_FuDylanEricRyanAidenOno_AnnaSohee
انتخاب صدای سنتز گفتار که با هر embedding گوینده ارائه‌شده بازنویسی می‌شود. جزئیات صدا و پشتیبانی از زبان‌های اصلی در [مستندات صدا](https://github.com/QwenLM/Qwen3-TTS/tree/main?tab=readme-ov-file#custom-voice-generate) فهرست شده‌اند.
languageاختیاری
نوعenum
پیش‌فرضAuto
AutoEnglishChineseSpanishFrenchGermanItalianJapaneseKoreanPortugueseRussian
زبان استفاده‌شده توسط صدا.
speaker_voice_embedding_file_urlاختیاری
نوعurl · file
صدای شبیه‌سازی‌شده برای سنتز گفتار که در صورت ارائه، جایگزین گزینه‌های صدای از پیش تعریف‌شده می‌شود.
reference_textاختیاری
نوعstring | null
متن مرجع که به‌صورت اختیاری برای بهبود سنتز با صدای شبیه‌سازی‌شده ارائه می‌شود؛ باید همان متنی باشد که برای ایجاد embedding گوینده استفاده شده است.
top_kاختیاری
نوعinteger | null
پیش‌فرض50
≥ ۰
تنظیم نمونه‌برداری top-k.
top_pاختیاری
نوعnumber | null
پیش‌فرض1
۰ – ۱
تنظیم Top-p استفاده‌شده هنگام نمونه‌برداری.
temperatureاختیاری
نوعnumber | null
پیش‌فرض0.9
≤ ۱> ۰
دمای استفاده‌شده هنگام نمونه‌برداری؛ مقادیر بزرگ‌تر تصادفی‌بودن را افزایش می‌دهند.
repetition_penaltyاختیاری
نوعnumber | null
پیش‌فرض1.05
≥ ۰
جریمه‌ای که تکرار توکن‌ها یا کدها را کاهش می‌دهد.
subtalker_dosampleاختیاری
نوعboolean | null
پیش‌فرضtrue
کلیدی برای فعال یا غیرفعال کردن نمونه‌برداری توسط گفت‌وگوران فرعی.
subtalker_top_kاختیاری
نوعinteger | null
پیش‌فرض50
≥ ۰
تنظیم top-k هنگام نمونه‌برداری از گفت‌وگوران فرعی.
subtalker_top_pاختیاری
نوعnumber | null
پیش‌فرض1
۰ – ۱
تنظیم top-p هنگام نمونه‌برداری از گفت‌وگوران فرعی.
subtalker_temperatureاختیاری
نوعnumber | null
پیش‌فرض0.9
۰ – ۱
دمای نمونه‌برداری مورد استفاده گفت‌وگوران فرعی.
max_new_tokensاختیاری
نوعinteger | null
پیش‌فرض200
۱ – ۸٬۱۹۲
حد بالای توکن‌های کدکِ جدید تولیدشده.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد.
الزامی

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

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"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size, duration, channels, sample_rate, bitrate}فایل صوتی حاوی گفتار ترکیب‌شده.

مدل‌های بیشتر: متن به گفتار

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/qwen-3-tts/text-to-speech/1.7b.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt