Qwen-Audio-3.0-TTS API：定价与语音控制

如果你打算使用 Qwen-Audio-3.0-TTS，有两个数字最先要关注：每 1,000,000 个输入字符的价格 和 每次请求 4,096 字符的上限。 我会据此做出配置选择，然后锁定 voice、language、speed、response_format 和 instruct 以获得稳定输出。

简短版本如下：

• 计费按字符计，且只有 input 字段中的文本才计入。
• Flash 和 Plus 都按每 1,000,000 字符计费。
• 文中的示例费率使用 每 100 万字符 $15.00。
• 每次请求上限为 4,096 字符。
• 你可以通过以下方式控制输出：
  • 用 voice 选择说话人
  • 用 language 控制发音
  • 用 speed，范围从 0.5 到 2.0
  • 用 response_format，如 mp3、wav、opus 或 pcm
  • 用 instruct 控制语气、情绪和表达方式
• 该模型内置 9 个预设说话人并支持 10 种语言。
• Flash 适合低延迟、高并发的工作。
• Plus 适合旁白、品牌语音和较长篇幅的音频。

几个数字可以看出开支起点能有多低。在 每 1,000,000 字符 $15.00 的费率下，按文中的示例算法，500 字符 × 30,000 次请求 每月约为 $0.225。这意味着你的主要工作与其说是压低单价，不如说是让各类用例的语音设置保持稳定。

我会把这份指南当作一份配置清单来读：估算成本、挑选说话人、设置基线控制、测试 413 和 429 等错误码，然后上线。

Qwen-Audio-3.0-TTS 定价与计费

Qwen-Audio-3.0-TTS 按输入文本字符计费^[1]。

计费单位如何计算

两个模型版本——Flash 和 Plus——都按每 1,000,000 字符的输入文本计费。只有 input 字段内的文本才会被计费^[1]。每次请求最多可包含 4,096 字符^[1]。

Flash 很适合低延迟、高并发的任务。Plus 则更适合旁白和品牌语音工作。

如何估算你的月度成本

算法相当简单：取每次请求的平均字符数，乘以你的月度请求量，除以 1,000,000，再乘以每百万字符的费率。

以 每 100 万字符 $15.00 的示例价格为例，情况大致如下：

短回复通常花费极少。较长的旁白则会累加得更快。

APIMart 计费在多模型项目中如何运作

如果你的工作流用到不止一个模型，就要用各自的计费单位来衡量每一个。

在混用音频、文本、图像或视频的 APIMart 项目中，要分别跟踪每个模型。对 TTS，跟踪字符数；对文本模型，跟踪 token；对图像模型，跟踪调用次数；对视频模型，跟踪秒数。

成本明确之后，下一步就是选择塑造输出的语音控制项。

Qwen-Audio-3.0-TTS 中的语音控制

既然定价已经清楚，下一步就是塑造语音。

Qwen-Audio-3.0-TTS 把语音控制分成两部分。结构化参数负责核心配置，而 instruct 负责风格。如果你想要可重复的输出，就依赖结构化字段。如果你想让语气或情绪发生变化，就使用 instruct。

说话人、语言与输出格式

该 API 内置 9 个预定义说话人档案，每个都有自己的音色和语音风格^[2]。对于英语应用，Ryan 和 Aiden 是英语内容的最佳选择。如果你要面向多个市场，language 参数接受 English、Chinese 等取值，或用 Auto 在 10 种支持的语言之间自动检测^[2]。

这里有一条简单规则很有用：让说话人与目标语言相匹配。对于 en-US 内容，选 Ryan 或 Aiden 通常最合理^[2]。

在输出方面，你可以选择 mp3、wav、opus 或 pcm。像 MP3 和 WAV 这样的标准格式在现代浏览器和媒体工具中都表现良好^[1][2]。

语气、语速与情绪

speed 参数接受从 0.5 到 2.0 的数值范围，默认值为 1.0^[2]。这一领域有文档记载的控制项是 speed 和 instruct，它们会影响情绪、音色、韵律和语气^[2]。

有一个细节值得留意：如果 instruct 要求兴奋的表达方式，即使 speed: 1.0 保持不变，语速也可能加快^[2]。所以如果朗读听起来比预期更快，风格提示词可能就是原因。

结构化参数与提示词指令的对比

不妨把显式字段——speaker、language、speed 和 response_format——看作你的生产基线。它们为每次请求设定核心的语音身份。而 instruct 则位于这个基础层之上，塑造语音的表现方式^[2]。

当你需要稳定的生产输出时，使用结构化参数。当你想要变化时，使用 instruct。在实践中，更具描述性的提示词往往比单词指令产生更细腻的结果^[2]。

这些默认设置会直接映射到下一节的请求体中。

如何通过 APIMart 发送 Qwen-Audio-3.0-TTS 请求

向 https://api.apimart.ai/v1/audio/speech 发送 POST 请求，并在 Authorization 头中传入你的 Bearer 令牌^[1]。

基本请求结构

主要字段有 model、input、voice、language、response_format、speed 和 instruct^[1][2]。另外，input 要保持在 4,096 字符以内。

这个请求把定价因素和语音设置放进了一个请求体：

{
  "model": "YOUR_QWEN_MODEL_ID",
  "input": "Welcome to our platform. We are excited to have you here.",
  "voice": "Aiden",
  "language": "English",
  "instruct": "Warm and welcoming tone",
  "response_format": "mp3",
  "speed": 1.0
}

简单来说，这些字段告诉 API 说什么、怎么说以及返回哪种格式。

若要做快速的 cURL 测试，使用：

curl --request POST \
  --url https://api.apimart.ai/v1/audio/speech \
  --header 'Authorization: Bearer YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "YOUR_QWEN_MODEL_ID",
    "input": "Your order has been confirmed and will ship shortly.",
    "voice": "Serena",
    "language": "English",
    "response_format": "opus"
  }' \
  --output confirmation.opus

这会把音频响应直接保存到 confirmation.opus^[1]。

常见场景的推荐设置

一旦你了解了请求的结构，选择设置就会容易得多。下表把常见用例映射到一个不错的起始预设。

如果你需要多语言输出，把 language 设置为与你的文稿相匹配。该模型支持 10 种主要语言：中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语^[2]。

速率限制、错误与生产检查

在进入生产之前，有意测试几个失败场景。这是那种能在日后省去大量麻烦的小步骤之一。

400 通常意味着请求体里有什么地方不对。413 则更直接：你的文本太长，所以要把它拆成更小的块。而如果你遇到 429，就退避后重试，而不是猛敲端点。

选择合适的配置与后续步骤

一个简单的决策框架

既然定价和语音控制都已确定，就用这最后一道过滤来把模型匹配到你要完成的工作。

依据预算、语音控制和用例来选择。

如果你在做长篇旁白，从头到尾坚持使用同一个说话人。把 instruct 写得紧凑、朴素、可重复。这通常能给你更稳定的输出和更少的意外。

对于更简单的配置，让它更加干净利落：挑一个说话人，只在需要时改动 instruct 字段。

带入实现环节的要点

一旦你选定了版本，就围绕你最常运行的场景来做配置。这能让你的上线计划立足于实际用量，而非边缘情况。

• 在上线前设置用量告警。
• 用各自的说话人、语速和 instruct 提示词验证每个场景。
• 上线前用美国本地听众测试输出。
• APIMart 让你可以切换版本而无需改动核心集成模式。

另外，在上线前测试你的系统如何处理 402、429 和 502。

常见问题

我该如何拆分超过 4,096 字符的长文本？

把文本拆成 4,096 字符或更少的块，并把每个块单独发送给 API。

尽量在自然停顿点拆分，比如句子或段落的末尾。之后，把返回的音频文件合并成一条最终音轨。

为了输出一致，我应该锁定哪些语音设置？

对于稳定的长篇输出，使用 VoiceDesign 模型来设置一个清晰的人设和参考片段。然后用 create_voice_clone_prompt 创建一个可复用的提示词，并把该 voice_clone_prompt 传入 generate_voice_clone。

锁定像 top_p 这样的生成设置也有帮助，可以防止语音随时间漂移。而且在上线之前，先做一次试运行以尽早发现问题。

我什么时候该选 Flash 而不是 Plus？

当速度和低延迟最为重要时，选择 Flash (0.6B)。它专为高并发用例而打造，比如实时虚拟助手、实时翻译和客户支持，这些场景对快速响应时间至关重要。

当质量和精度比速度更重要时，选择 Plus (1.7B)。它为有声书、专业配音和品牌媒体带来更好的韵律、更宽的情感范围和更高的准确度。