ข้ามไปยังเนื้อหา

Qwen 3 TTS - Text to Speech [0.6B]

ผสานการทำงาน

ID โมเดล qwen-3-tts/text-to-speech/0.6b
# 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/0.6b?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"

คำขอนี้: $0.004 4 เครดิต API · ≈ ₽0.43 เรียกใช้ในหน้านี้

รับคีย์ API
Alibaba ข้อความเป็นเสียงพูด อินพุตอ้างอิง #text-to-speech

Qwen3 แปลงข้อความเป็นเสียงรุ่น 0.6B ขนาดเล็กกว่า พร้อมเสียงที่ตั้งไว้ล่วงหน้า 9 แบบ การเลือกภาษา และการโคลนเสียงผ่านเอ็มเบดดิง

Alibaba · เสียง

ผลลัพธ์แรกของคุณจะแสดงที่นี่

สร้างคำขอด้านล่างและเรียกใช้ด้วยคีย์ API ของคุณ เอาต์พุตจะถูกคัดลอกไปยังพื้นที่จัดเก็บของเรา และเก็บไว้ตลอดไปหรือฟรี 7 วัน

สร้างคำขอ

ตัวควบคุมสร้างจากสคีมาของโมเดล โค้ดและราคาจะอัปเดตเมื่อคุณเปลี่ยนค่า

•จำเป็น

เนื้อหาข้อความที่จะแปลงเป็นเสียงพูด

คำสั่งรูปแบบเสียงพูดที่ระบุได้ และจะถูกละเว้นเมื่อมีการส่ง speaker embedding

ขั้นสูง 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

ข้อความอ้างอิงที่ระบุได้เพื่อปรับปรุงการสังเคราะห์ด้วยเสียงที่โคลน โดยต้องเป็นข้อความที่ใช้สร้าง speaker embedding

วางไฟล์ หรือ

เสียงที่โคลนสำหรับการสังเคราะห์เสียงพูด หากระบุไว้ จะมาแทนตัวเลือกเสียงที่กำหนดไว้ล่วงหน้า

การเลือกเสียงสำหรับการสังเคราะห์เสียงพูด ซึ่งจะถูกแทนที่ด้วย speaker embedding ที่ส่งมา รายละเอียดเสียงและภาษาหลักที่รองรับแสดงอยู่ใน [เอกสารเสียง](https://github.com/QwenLM/Qwen3-TTS/tree/main?tab=readme-ov-file#custom-voice-generate)

ค่าเริ่มต้น Auto

ภาษาที่เสียงใช้

ค่าเริ่มต้น 50

การตั้งค่าสำหรับการสุ่มตัวอย่างแบบ top-k

ค่าเริ่มต้น 1

การตั้งค่า Top-p ที่ใช้ระหว่างการสุ่มตัวอย่าง

ค่าเริ่มต้น 0.9

อุณหภูมิที่ใช้ระหว่างการสุ่มตัวอย่าง ค่าที่สูงขึ้นจะเพิ่มความสุ่ม

ค่าเริ่มต้น 1.05

ค่าปรับที่ลดการทำซ้ำโทเค็นหรือรหัส

ค่าเริ่มต้น 50

การตั้งค่า Top-k ที่ใช้เมื่อสุ่มตัวอย่างจาก sub-talker

ค่าเริ่มต้น 1

การตั้งค่า Top-p ที่ใช้เมื่อสุ่มตัวอย่างจาก sub-talker

ค่าเริ่มต้น 0.9

อุณหภูมิการสุ่มตัวอย่างที่ sub-talker ใช้

ค่าเริ่มต้น 200

ขีดจำกัดสูงสุดของโทเค็น codec ที่สร้างใหม่

POST /run/qwen-3-tts/text-to-speech/0.6b?wait=20 ใบเสนอราคา → $0.004
# 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/0.6b?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"

เรียกใช้คำขอนี้

คีย์ของคุณจะอยู่ในเบราว์เซอร์นี้ โดยส่งไปยัง Doitong API เท่านั้น และจะบันทึกใน localStorage ก็ต่อเมื่อคุณเลือกจดจำ รับคีย์ API

เกี่ยวกับ Qwen 3 TTS - Text to Speech [0.6B]

แปลง `text` เป็นเสียงพูดโดยใช้โมเดล 0.6B เลือก `voice` สำเร็จรูป เช่น Vivian, Serena, Dylan หรือ Sohee หรือระบุ `speaker_voice_embedding_file_url` เพื่อใช้เสียงที่โคลนมา โดยสามารถระบุ `reference_text` เพิ่มเติมได้ `language` รองรับ Auto และภาษาที่ระบุชื่ออีก 10 ภาษา รวมถึง English, Chinese และ Japanese มีการเปิดให้ควบคุมการสุ่มตัวอย่างและ `max_new_tokens` (1 ถึง 8192)

พารามิเตอร์

ชื่อประเภท ค่าเริ่มต้นค่าที่อนุญาต คำอธิบาย
textจำเป็น
ประเภทstring
เนื้อหาข้อความที่จะแปลงเป็นเสียงพูด
promptไม่บังคับ
ประเภทstring | null
คำสั่งรูปแบบเสียงพูดที่ระบุได้ และจะถูกละเว้นเมื่อมีการส่ง speaker embedding
voiceไม่บังคับ
ประเภทenum
VivianSerenaUncle_FuDylanEricRyanAidenOno_AnnaSohee
การเลือกเสียงสำหรับการสังเคราะห์เสียงพูด ซึ่งจะถูกแทนที่ด้วย speaker embedding ที่ส่งมา รายละเอียดเสียงและภาษาหลักที่รองรับแสดงอยู่ใน [เอกสารเสียง](https://github.com/QwenLM/Qwen3-TTS/tree/main?tab=readme-ov-file#custom-voice-generate)
languageไม่บังคับ
ประเภทenum
ค่าเริ่มต้นAuto
AutoEnglishChineseSpanishFrenchGermanItalianJapaneseKoreanPortugueseRussian
ภาษาที่เสียงใช้
speaker_voice_embedding_file_urlไม่บังคับ
ประเภทurl · file
เสียงที่โคลนสำหรับการสังเคราะห์เสียงพูด หากระบุไว้ จะมาแทนตัวเลือกเสียงที่กำหนดไว้ล่วงหน้า
reference_textไม่บังคับ
ประเภทstring | null
ข้อความอ้างอิงที่ระบุได้เพื่อปรับปรุงการสังเคราะห์ด้วยเสียงที่โคลน โดยต้องเป็นข้อความที่ใช้สร้าง speaker embedding
top_kไม่บังคับ
ประเภทinteger | null
ค่าเริ่มต้น50
≥ 0
การตั้งค่าสำหรับการสุ่มตัวอย่างแบบ top-k
top_pไม่บังคับ
ประเภทnumber | null
ค่าเริ่มต้น1
0 – 1
การตั้งค่า Top-p ที่ใช้ระหว่างการสุ่มตัวอย่าง
temperatureไม่บังคับ
ประเภทnumber | null
ค่าเริ่มต้น0.9
≤ 1> 0
อุณหภูมิที่ใช้ระหว่างการสุ่มตัวอย่าง ค่าที่สูงขึ้นจะเพิ่มความสุ่ม
repetition_penaltyไม่บังคับ
ประเภทnumber | null
ค่าเริ่มต้น1.05
≥ 0
ค่าปรับที่ลดการทำซ้ำโทเค็นหรือรหัส
subtalker_dosampleไม่บังคับ
ประเภทboolean | null
ค่าเริ่มต้นtrue
สวิตช์ที่เปิดหรือปิดการสุ่มตัวอย่างโดย sub-talker
subtalker_top_kไม่บังคับ
ประเภทinteger | null
ค่าเริ่มต้น50
≥ 0
การตั้งค่า Top-k ที่ใช้เมื่อสุ่มตัวอย่างจาก sub-talker
subtalker_top_pไม่บังคับ
ประเภทnumber | null
ค่าเริ่มต้น1
0 – 1
การตั้งค่า Top-p ที่ใช้เมื่อสุ่มตัวอย่างจาก sub-talker
subtalker_temperatureไม่บังคับ
ประเภทnumber | null
ค่าเริ่มต้น0.9
0 – 1
อุณหภูมิการสุ่มตัวอย่างที่ sub-talker ใช้
max_new_tokensไม่บังคับ
ประเภทinteger | null
ค่าเริ่มต้น200
1 – 8,192
ขีดจำกัดสูงสุดของโทเค็น codec ที่สร้างใหม่
enable_safety_checkerไม่บังคับ
ประเภทboolean
ค่าเริ่มต้นtrue
สามารถผ่อนปรนการคัดกรองได้โดยตั้งค่าเป็น false หากผู้เรียกมีสิทธิ์
จำเป็น

พารามิเตอร์ไฟล์รับ URL https:// สาธารณะ, data: URI ขนาดไม่เกิน 10 MB หรือ file_url ของไฟล์ที่อัปโหลด ไฟล์

เอาต์พุต

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "qwen-3-tts/text-to-speech/0.6b",
  "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": 4,
    "usd": "0.004",
    "charged": 4,
    "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"
  }
}
ไฟล์ของคุณ คุณเลือกเองทุก outputs[].url คือสำเนาบนพื้นที่จัดเก็บของเรา: เก็บไว้ตลอดไป (คิดค่าบริการต่อ GB-เดือน) หรือฟรี 7 วัน โดยกำหนดได้ในการตั้งค่าบัญชีหรือ ?storage=
รูปแบบเดียวกันในทุกโมเดลtype, url, content_type, width, height และ duration สำหรับภาพ วิดีโอ และเสียงเหมือนกันทั้งหมด ส่วน output คือออบเจ็กต์ผลลัพธ์ของโมเดลเอง
ฟิลด์ของเอาต์พุต
audio
object {url, content_type, file_name, file_size, duration, channels, sample_rate, bitrate}ไฟล์เสียงที่มีเสียงพูดสังเคราะห์

โมเดลเพิ่มเติม: ข้อความเป็นเสียงพูด

สำหรับเอเจนต์ AI: หน้า Markdown นี้อยู่ที่ https://doitong.com/th/developers/models/qwen-3-tts/text-to-speech/0.6b.md. โมเดลและคู่มือทั้งหมด: https://doitong.com/developers/llms.txt