Craze
模型价格MCP博客
脚本长度
生成次数
费用每个脚本 $0.056
$0.056

按 ⌘↵ 生成

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。

查看套餐

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。

聊天

给一个护肤品牌做个短广告。明黄色,一个主打产品,卡着音乐剪。

已生成图片

这是主视觉。每个镜头都是同样的黄色、同样的光线。

starface-key-visual.webp添加到时间线添加到聊天
问 Craze 任何问题微调
Assets
搜索素材
已批准的片段
已接受的帧
尾帧
已批准的片段
已接受的帧
生成中
时间线
Breakoutshappen. Makethem yours.Treat melike a star.

导演。创作。剪辑。

  1. 聊天

    给一个护肤品牌做个短广告。明黄色,一个主打产品,卡着音乐剪。

    已生成图片

    这是主视觉。每个镜头都是同样的黄色、同样的光线。

    starface-key-visual.webp添加到时间线添加到聊天
    问 Craze 任何问题微调

    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。

  2. Assets
    搜索素材
    已批准的片段
    已接受的帧
    尾帧
    已批准的片段
    已接受的帧
    生成中

    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。

  3. 时间线
    Breakoutshappen. Makethem yours.Treat melike a star.

    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 TTSAlibabaElevenLabs v4ElevenLabsGemini 3.8 Flash TTSGoogle DeepMindGemini 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

为你的下一部作品选择套餐。

Free

$0 / 月

  • 有限用量
  • 可使用所有媒体模型
  • 高效聊天档位
  • 1 GB 存储空间
  • Craze MCP
  • 导出最高 720p
  • 充值更多积分

Pro

$19 / 月

  • 每月 $19 积分
  • 可使用所有媒体模型
  • 所有聊天档位
  • 50 GB 存储空间
  • Craze MCP
  • 导出无分辨率限制
  • 充值更多积分

Ultra

$59 / 月

  • 每月 $59 积分
  • 可使用所有媒体模型
  • 所有聊天档位
  • 200 GB 存储空间
  • Craze MCP
  • 导出无分辨率限制
  • 充值更多积分

Max

$199 / 月

  • 每月 $199 积分
  • 可使用所有媒体模型
  • 所有聊天档位
  • 1 TB 存储空间
  • Craze MCP
  • 导出无分辨率限制
  • 充值更多积分

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

  1. 编写或粘贴你的脚本。添加 (warmly) 或 (urgent) 等情绪标签来引导演绎。
  2. 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。
  3. Craze 生成旁白并将其放入你的项目。
  4. 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。

像给剪辑师布置任务一样描述你想要的内容,Craze 会为你编写 Qwen Audio 3.0 TTS 提示词。每个 Craze 套餐(包括 Free)都能运行 Qwen Audio 3.0 TTS 及其他所有媒体模型,而且 Craze 可以为每项任务使用不同的模型。每段旁白都会进入时间线、位于你的剪辑下方,可随视频导出,也可单独导出为 MP3。生成消耗你套餐的每月积分,每 1,000 个字符 $0.056 起,需要更多时可以充值。

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。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。

Qwen Audio 3.0 TTS 是 Alibaba 推出的文字转语音模型,可以用 16 种语言生成自然的旁白。它包含细粒度的行内标签,用于控制情绪、呼吸和发声方式,并提供两个针对不同工作流程优化的版本。

Alibaba 于 2026 年 7 月 23 日发布了 Qwen Audio 3.0 TTS,提供面向实时交互和精良演绎的两个档位。

价格为每 1,000 个字符 $0.056。本页的费用计算器会在生成前估算你的总费用。

Qwen Audio 3.0 TTS 适用于所有 Craze 套餐,包括 Free。

Alibaba 介绍了 Flash 和 Plus 两个版本,但 Craze 只提供一条 Qwen Audio 3.0 TTS 通道,而不是 Flash/Plus 选择器。

可以。(whisper)、(angry) 和 (breaths) 等行内标签让你可以在脚本中引导发声方式。自然语言指示同样有效,因此你可以描述想要的语气。

支持。它支持 16 种语言。Craze 的通道接受文本和可选的声音 ID,不接受参考音频。

更多语音模型

所有模型

ElevenLabs v4

ElevenLabs

  • 文字转语音

每 1,000 个字符 $0.089 起

Gemini 3.8 Flash TTS

Google DeepMind

  • 文字转语音

每 1,000 个字符 $0.050 起

Gemini 3.8 Flash Lite TTS

Google DeepMind

  • 文字转语音

每 1,000 个字符 $0.034 起

  • 导演
  • 创作
  • 剪辑
  • 模型
  • 价格
  • MCP
  • 联系我们
  • 文档
  • 博客
  • 更新日志
  • 隐私
  • 条款
  • Instagram
  • YouTube
  • X
  • LinkedIn
  • English
  • 日本語
  • 한국어
  • Español
  • Deutsch
  • Français
  • Português
  • 简体中文

© 2026 Craze Technologies