Qwen Audio 3.0 TTS

Qwen Audio 3.0 TTS es el modelo multilingüe de texto a voz de Alibaba, diseñado para creadores que necesitan control emocional y baja latencia. Maneja guiones largos con eficiencia en 16 idiomas con etiquetas emocionales detalladas y una ruta de texto a voz.

Por qué los creadores eligen Qwen Audio 3.0 TTS

Qwen Audio 3.0 TTS destaca en flexibilidad. Ofrece una ruta de texto a voz, control emocional detallado y 16 idiomas, de modo que un modelo cubre la mayoría de los usos de narración.

Etiquetas emocionales para una interpretación precisa

Inserta etiquetas como (whisper), (angry), (laughs) y (breaths) en el guion. El modelo genera esas señales emocionales y no verbales dentro de la narración, no como pistas separadas. El guion controla la interpretación.

Una ruta para narrar en Craze

Craze ofrece una ruta de texto a voz de Qwen. Escribe el guion y regenera una toma si quieres probar otra interpretación.

Maneja guiones largos en una pasada

Genera hasta 2,000 caracteres de guion en una llamada. Sin empalmes ni rupturas de continuidad. Es práctico para documentales, audiolibros y tutoriales donde quieres toda la narración de una vez.

Narración centrada en texto

La ruta de Craze acepta un guion y un ID de voz opcional. No recibe archivos de audio de referencia.

Cómo usar Qwen Audio 3.0 TTS en Craze

1. Escribe o pega el guion. Añade etiquetas como (warmly) o (urgent) para dirigir la interpretación.
2. Elige un ID de voz si quieres y nombra Qwen Audio 3.0 TTS en el chat o selecciónalo en el panel Models.
3. Craze genera la narración y la coloca en tu proyecto.
4. Recorta, ajusta los tiempos o regenera una sección si quieres otra interpretación emocional.

Precios de Qwen Audio 3.0 TTS

Los precios empiezan en $0.053 por 1,000 caracteres y varían con la longitud del guion. La calculadora de esta página muestra el total antes de generar.

Para quién es Qwen Audio 3.0 TTS

Narrativa emocional y narración de personajes

Si el tono y la emoción son centrales en tu historia, las etiquetas de Qwen permiten dirigir la interpretación. Un personaje puede pronunciar la misma frase con calidez, enfado o miedo, todo definido en el guion.

Contenido largo y documentación

Audiolibros, cursos y documentación técnica se pueden dividir en guiones de hasta 2,000 caracteres por generación y unir en la línea de tiempo.

Iteración rápida y pruebas A/B

Regenera tomas para probar distintas lecturas emocionales del mismo guion.

Proyectos multilingües con voz coherente

Narra una campaña global en 16 idiomas con la misma voz y coherencia emocional en todas las versiones. Una voz para muchos mercados.

Qwen Audio 3.0 TTS frente a otros modelos

Gemini 3.1 Flash TTS es el modelo expresivo de Google con prompts dirigibles optimizados para narración en inglés. Qwen Audio 3.0 TTS está diseñado para trabajo multilingüe con etiquetas emocionales y una ruta de texto a voz. Elige Gemini para narración dirigida en inglés con control preciso del ritmo. Elige Qwen para guiones multilingües e interpretación emocional entre idiomas.

Seed Speech de ByteDance ofrece narración desde texto con selección de voz opcional, mientras que Qwen se centra en control emocional y varios idiomas. MiniMax Speech 2.8 HD incluye sonidos no hablados como risas y suspiros, mientras que Qwen está optimizado para diálogo y narración puros con etiquetas emocionales. Seed Audio 1.0 también acepta referencias de audio o imagen para voz hablada.

Etiquetas emocionales y control de interpretación

Qwen Audio 3.0 TTS reconoce etiquetas estándar como (whisper), (angry), (happy), (sad), (laughs), (coughs) y (breaths). También puedes usar descripciones naturales en el prompt: "di esta frase como un presentador de noticias" o "suena nervioso y vacilante aquí". El modelo combina ambos enfoques, así que mezcla etiquetas e indicaciones para un control preciso.

Qwen admite emociones combinadas. Marca una frase con "(angry but controlled)" o "(excited but whispering)" para una interpretación matizada. El modelo equilibra indicaciones emocionales contrapuestas con inteligencia, produciendo una lectura compleja en lugar de sustituir una emoción por otra. Es útil para personajes con sentimientos encontrados o cambios de emoción dentro de una frase.

Dirigir una sola ruta de texto a voz

Para distintas lecturas emocionales, ajusta las etiquetas y regenera. Escucha cada toma antes de colocarla en una secuencia más larga.

En Craze, puedes refinar la interpretación cambiando el guion y las etiquetas y regenerar con la misma ruta para una toma final.

Idiomas y coherencia de voz

Qwen maneja 16 idiomas, incluidos inglés, español, francés, alemán, italiano, portugués, neerlandés, polaco, ruso, turco, árabe, chino simplificado y tradicional, japonés, coreano y vietnamita. Un ID de voz opcional permite seleccionar una voz para distintos guiones. Alternar idiomas dentro del guion funciona dentro de lo razonable.

Si un idioma necesita otro acento, prueba otro ID de voz disponible y revisa la toma generada.

Límites del guion y rendimiento

Qwen Audio 3.0 TTS maneja hasta 2,000 caracteres de guion por solicitud en Craze. Los guiones más largos deben dividirse y combinarse en la línea de tiempo. Funciona mejor con guiones bien puntuados porque usa las pausas para inferir el ritmo. Las frases encadenadas suenan apresuradas. Añade puntos, comas y guiones para controlar los tiempos. Los puntos suspensivos (...) crean pausas dramáticas.

Para narraciones largas, divide el guion en solicitudes de como máximo 2,000 caracteres y une los resultados en la línea de tiempo.