Qwen Audio 3.0 TTS Flash API — голосовой агент и цена

Контекст: Не указантокенов
Результат: Синтез речиформат ответа
Стоимость: Тариф уточняетсяусловия — в блоке подключения

ПОДКЛЮЧЕНИЕ

От модели к первому запросу

Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.

const response = await client.chat.completions.create({
  model: "qwen/qwen-audio-3.0-tts-flash",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

Alibaba описывает `qwen-audio-3.0-tts-flash` как вариант для realtime voice assistants, диалогов и call center. Он поддерживает более широкий набор языков и китайских диалектов, fine-grained control эмоции, тона, персонажа, скорости и громкости; upstream заявляет first-packet latency до 200 мс в своих условиях. Tokenmost показывает text input и speech output без контекста. Нужно измерить streaming, реальную p50/p95 задержку, список голосов и языков, instruction syntax, audio format, sample rate, отмену, usage и цену. Alibaba тарифицирует прямой TTS по символам, поэтому слово «токены» не используется как единица Tokenmost без ответа billing. Агент передаёт синтезатору только проверенную короткую реплику. Суммы, даты и номера заявок нормализуются по типу данных, а секреты и полные платёжные реквизиты никогда не озвучиваются.

Сократите разговорную реплику

Одна фраза сообщает результат или следующий шаг. Длинные списки замените выбором из двух вариантов. Текстовый агент возвращает отдельное поле для речи, чтобы markdown, ссылки и служебные заметки не попали в аудиопоток.

Настройте streaming и interrupt

Измерьте первый audible chunk и разрывы между частями. При перебивании отменяйте старую генерацию и очищайте буфер. Запоздалый audio packet не должен продолжить уже отменённое сообщение после того, как пользователь задал новый вопрос.

Создайте словарь домена

Проверьте названия тарифов, фамилии, адреса, смешение русского и английского, числа и сокращения. Ошибка произношения исправляется правилами подготовки текста или поддерживаемым instruction, а не ручной заменой букв без теста соседних слов.

Проверьте резервный канал

Если TTS недоступен, покажите текст и предложите повтор. Логи содержат duration, status и route без чувствительной реплики. Нагрузочный тест контролирует rate limit и очередь, чтобы быстрый движок не породил параллельное воспроизведение.

Считайте цену диалога

Учитывайте символы, перебивания, повторы, резервный голос и распознавание входа. Полезна стоимость завершённого обращения и p95 latency. Тариф Tokenmost сверяется перед запуском, а upstream цена и заявленные 200 мс служат только ориентиром сравнения.

Вопросы и ответы

Для чего предназначен Flash?

Для интерактивного TTS, где особенно важна малая задержка.

Гарантированы ли 200 мс?

Нет, это upstream показатель; маршрут и сеть нужно измерить.

Как оплачивается прямой Alibaba API?

По числу символов, но Tokenmost может применять собственный тариф.

Можно прерывать речь?

Отмену и очистку audio buffer реализует клиентское приложение.

Как считать качество?

По понятности, произношению, p95 задержке и успешному завершению диалога.