Qwen Audio 3.0 TTS
每 1,000 个字符 $0.056 起
Alibaba 的多语言文字转语音模型,支持行内情绪标签。Craze 提供一条 TTS 通道,可用 16 种语言生成旁白。
当你点名要求时,Craze 会运行 Qwen Audio 3.0 TTS。
Qwen Audio 3.0 TTS擅长什么
用情绪标签精确控制演绎
在脚本中以行内方式嵌入 (whisper)、(angry)、(laughs) 和 (breaths) 等标签。
Craze 上的一条旁白通道
Craze 提供一条 Qwen 文字转语音通道。
一次处理长脚本
单次调用最多可生成 2,000 个字符的脚本。
以文本为先的旁白
Craze 的通道接受脚本和可选的声音 ID。
导演。创作。剪辑。
别再写提示词,开始当导演。
Craze 与你一起碰撞创意、做调研、做规划。
创作有品位的内容。
Craze 能生成你能想象的一切。视频、音频、音乐、动态图形等等。
几分钟剪好视频,而不是几天。
Craze 会看完你的素材并剪出成片。如有需要,还有真正的编辑器。
制作人们愿意看的视频
- UGC 视频
- 动态图形
- 故事长片
- 产品可视化
- 微短剧
- 3D 影片
- 音乐视频
- 品牌影片
- 婚礼精彩集锦
- YouTube 测评
Qwen Audio 3.0 TTS与其他模型对比
这里的每个模型都可在所有 Craze 套餐(包括 Free)中使用,而且 Craze 可以为每个镜头使用不同的模型。
| Qwen Audio 3.0 TTSAlibaba | ElevenLabs v4ElevenLabs | Gemini 3.8 Flash TTSGoogle DeepMind | Gemini 3.8 Flash Lite TTSGoogle DeepMind | |
|---|---|---|---|---|
| 生成 | 文字生音频 | 文字生音频 | 文字生音频 | 文字生音频 |
| 起价 | 每 1,000 个字符 $0.056 | 每 1,000 个字符 $0.089 | 每 1,000 个字符 $0.050 | 每 1,000 个字符 $0.034 |
Craze 上的 Qwen Audio 3.0 TTS规格
| 任务 | 输入 | 分辨率 | 画面比例 | 声音 |
|---|---|---|---|---|
| 文字转语音 | 文字提示词 | 跟随源素材 | 跟随输入 | 无 |
常见问题
Qwen Audio 3.0 TTS 是 Alibaba 的多语言文字转语音模型,专为既需要情绪控制又需要低延迟的创作者打造。它能用 16 种语言高效处理长脚本,提供细粒度的情绪标签和一条 TTS 通道。
创作者选择 Qwen Audio 3.0 TTS 的理由
Qwen Audio 3.0 TTS 胜在灵活。它为你提供一条 TTS 通道、细粒度的情绪控制以及对 16 种语言的支持,因此一个模型就能覆盖大多数旁白用途。
用情绪标签精确控制演绎
在脚本中以行内方式嵌入 (whisper)、(angry)、(laughs) 和 (breaths) 等标签。模型会把这些情绪和非语言提示作为旁白的一部分生成,而不是作为单独的音轨。你的脚本掌控表演。
Craze 上的一条旁白通道
Craze 提供一条 Qwen 文字转语音通道。写好脚本,想尝试不同的演绎时就重新生成一条。
一次处理长脚本
单次调用最多可生成 2,000 个字符的脚本。无需拼接,也不会出现连贯性断裂。这对于希望一次得到完整旁白的纪录片、有声书和教程很实用。
以文本为先的旁白
Craze 的通道接受脚本和可选的声音 ID。它不接受上传参考音频。
如何在 Craze 中使用 Qwen Audio 3.0 TTS
- 编写或粘贴你的脚本。添加
(warmly)或(urgent)等情绪标签来引导演绎。 - 可以选择一个声音 ID,然后在聊天中指明 Qwen Audio 3.0 TTS,或在“模型”面板中选择它。
- Craze 生成旁白并将其放入你的项目。
- 如果想要不同的情绪演绎,可以修剪、调整时间,或重新生成某一部分。
Qwen Audio 3.0 TTS 价格
价格从每 1,000 个字符 $0.056 起,并随脚本长度变化。本页的计算器会在你生成前显示总费用。
Qwen Audio 3.0 TTS 适合谁
情感化叙事和角色旁白
当语气和情绪是故事的核心时,Qwen 的行内标签让你可以指导表演。一个角色可以用温暖、愤怒或恐惧的方式说出同一句台词(全部写在你的脚本里)。
长篇内容和文档
有声书、课程和技术文档可以拆分成每次生成最多 2,000 个字符的脚本,再在时间线上组合起来。
快速迭代和 A/B 测试
重新生成多条,尝试对同一脚本的不同情绪演绎。
声音一致的多语言项目
用 16 种语言为一场全球营销活动配旁白,所有版本使用同一个声音,情绪保持一致。一个声音,多个市场。
Qwen Audio 3.0 TTS 与其他模型的比较
Gemini 3.1 Flash TTS 是 Google 的富有表现力的模型,支持可引导的提示词,针对英语旁白进行了优化。Qwen Audio 3.0 TTS 专为多语言工作打造,提供行内情绪标签和一条 TTS 通道。如果需要节奏控制精细、有明确指导的英语旁白,请选择 Gemini。如果需要多语言脚本以及跨语言的情绪化演绎,请选择 Qwen。
ByteDance 的 Seed Speech 提供文本旁白和可选的声音选择,而 Qwen 专注于情绪控制和多语言支持。MiniMax Speech 2.8 HD 包含笑声和叹气等非语音声音,而 Qwen 针对带情绪标签的纯对白和旁白进行了优化。Seed Audio 1.0 还接受音频或图片作为语音的参考素材。
情绪标签和演绎控制
Qwen Audio 3.0 TTS 能识别 (whisper)、(angry)、(happy)、(sad)、(laughs)、(coughs) 和 (breaths) 等标准情绪标签。你也可以在提示词中使用自然语言描述:“像新闻主播一样说这句话”或“这里听起来紧张而犹豫”。模型会结合这两种方式,因此可以把行内标签和提示词指示混合使用,实现精细控制。
Qwen 支持叠加情绪。把一句台词标记为“(angry but controlled)”或“(excited but whispering)”,即可得到细腻的演绎。模型会智能地平衡相互冲突的情绪指示,因此你得到的是复杂的演绎,而不是一种情绪覆盖另一种。这对于角色在一句台词中感到矛盾或情绪变化的角色创作很有价值。
指导单一 TTS 通道
想要不同的情绪演绎,就调整行内标签并重新生成。在把每一条放进更长的序列之前,先听一遍。
在 Craze 上,你可以通过修改脚本和标签来打磨台词演绎,然后用同一条通道重新生成最终版本。
多语言支持和声音一致性
Qwen 支持 16 种语言,包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、荷兰语、波兰语、俄语、土耳其语、阿拉伯语、中文(简体和繁体)、日语、韩语和越南语。可选的声音 ID 让你可以为不同的脚本选择声音。语码转换(在脚本中途混用语言)在合理范围内可行。
如果某种语言需要不同的口音,可以尝试其他可用的声音 ID,并检查生成的结果。
脚本限制和性能
在 Craze 上,Qwen Audio 3.0 TTS 每次请求最多处理 2,000 个字符的脚本。更长的脚本需要拆分,并在你的时间线上组合。该模型最适合标点丰富的脚本,因为它利用停顿来推断节奏。冗长的连写句听起来会很仓促。添加句号、逗号和破折号来控制时间。省略号(...)可以制造停顿,营造戏剧效果。
对于更长的旁白,把脚本拆分成每次最多 2,000 个字符的请求,再在你的时间线上组合结果。



















