Geração de áudio: exemplos e guia de prompts - Alibaba Cloud Model Studio: Central de Documentação do Alibaba Cloud

Gere fala, efeitos sonoros e som ambiente juntos a partir de descrições de texto e áudio de referência para criar cenas de áudio completas. Explore exemplos e técnicas de prompt para diálogos e podcasts.

Casos de uso

A geração de áudio vai além da conversão de texto em fala. Ela pode gerar fala, efeitos sonoros e som ambiente juntos para criar cenas de áudio completas:

Fala e diálogo: narração, diálogo com múltiplos oradores, podcasts, audiolivros e radionovelas.
Cenas de áudio: diálogo acompanhado por chuva, ondas do oceano ou efeitos sonoros de jogos.

Para converter um roteiro fixo em fala, você também pode usar Texto para fala. Use a geração de áudio quando precisar descrever tanto os oradores quanto outros sons em uma cena.

Exemplos

Explore prompts e áudios gerados para diferentes cenários. Os resultados podem variar entre solicitações com o mesmo prompt.

Cenário Prompt Áudio

Dublagem de jogos

Cenário	Prompt	Áudio
Dublagem de jogos	NPC dialogue for a battle scene in a game. At a temporary aid station on the edge of a battlefield, a medic treats wounded soldiers and calls out over the chaos. Background sounds include distant battle cries, wounded soldiers groaning, and fabric tearing. The medic is a thirty-five-year-old woman with an urgent, resolute voice, full of anxiety and concern, speaking quickly. She shouts in English: "Quick! Get the wounded down here! There's another one! Stay with me. Don't close your eyes! A stretcher! Where's the stretcher? Keep pressure on the wound! A medic is on the way! All of you, hang in there!"
Diálogo de filme	An English-language film scene on an almost empty railway platform at night. Rain ticks against a metal roof, and an idling train rumbles in the distance. Owen, a man around thirty with a tired, low voice, speaks to his older sister Ruth, whose voice is firm but trembling underneath. Owen says quietly, "You didn't have to come." Ruth replies, "You left your scarf." A brief rustle of fabric. Owen gives a faint, breathy laugh. "It's summer." Ruth says, "It gets cold where you're going." A departure whistle sounds far away. Owen's voice softens: "I'll call when I get there." Ruth takes a breath and answers, "Call before that." Footsteps move toward the train; keep the rain audible as the dialogue ends. No narrator and no background score.

NPC dialogue for a battle scene in a game. At a temporary aid station on the edge of a battlefield, a medic treats wounded soldiers and calls out over the chaos. Background sounds include distant battle cries, wounded soldiers groaning, and fabric tearing. The medic is a thirty-five-year-old woman with an urgent, resolute voice, full of anxiety and concern, speaking quickly. She shouts in English: "Quick! Get the wounded down here! There's another one! Stay with me. Don't close your eyes! A stretcher! Where's the stretcher? Keep pressure on the wound! A medic is on the way! All of you, hang in there!"

Diálogo de filme

An English-language film scene on an almost empty railway platform at night. Rain ticks against a metal roof, and an idling train rumbles in the distance. Owen, a man around thirty with a tired, low voice, speaks to his older sister Ruth, whose voice is firm but trembling underneath. Owen says quietly, "You didn't have to come." Ruth replies, "You left your scarf." A brief rustle of fabric. Owen gives a faint, breathy laugh. "It's summer." Ruth says, "It gets cold where you're going." A departure whistle sounds far away. Owen's voice softens: "I'll call when I get there." Ruth takes a breath and answers, "Call before that." Footsteps move toward the train; keep the rain audible as the dialogue ends. No narrator and no background score.

Escrever um prompt

Descreva os sons necessários em um único prompt, distinguindo o diálogo das direções de cena.

Elemento	Exemplo
Tarefa	“Uma conversa inicial entre dois apresentadores de podcast” ou “Uma cena de radionovela com diálogo na chuva”
Personagens e vozes	“O Personagem A tem uma voz masculina grave; o Personagem B tem uma voz feminina brilhante”
Diálogo	Coloque as falas entre aspas e identifique o orador
Entonação	“Sussurrar”, “soar surpreso” ou “pausar brevemente antes de continuar”
Fundo e efeitos	“Chuva fora da janela com sons suaves de virar páginas dentro de casa”
Transições de som	“Passos se aproximam antes do personagem começar a falar”

Comece com o diálogo principal e os sons, depois adicione as instruções de estilo necessárias. Use nomes de personagens consistentes e evite instruções conflitantes de voz ou emoção. Use instruções de sequência para descrever transições entre sons.

Usar áudio de referência

Forneça URLs de áudio publicamente acessíveis ou áudio codificado em Base64. Use @voice1, @voice2 e @voice3 no prompt para referenciar os clipes na ordem fornecida.

Por exemplo, com dois clipes de referência:

@voice1 cheerfully says: "What a lovely day." @voice2 laughs nearby.

qwen-audio-3.1-tts-next aceita até três clipes, cada um com no máximo 30 segundos e não maior que 10 MB. Os formatos de referência suportados são WAV, MP3 e OGG Opus; PCM bruto não é suportado. Para cada clipe, forneça uma URL ou dados Base64. O serviço deve ser capaz de acessar qualquer URL que você fornecer.

Modelos suportados

Modelo	Idiomas	Comprimento máximo de entrada	Duração máxima de saída por solicitação
qwen-audio-3.1-tts-next	Chinês e inglês	3,000 caracteres	Podcasts: 240 segundos (4 minutos); outros cenários: 120 segundos

Para preços e limites, consulte os detalhes do modelo.

Integração e faturamento

Para autenticação, parâmetros e solicitações de áudio de referência, consulte Referência da API de geração de áudio.
O faturamento utiliza a duração original do áudio gerado. Alterar a velocidade da fala não altera a duração faturável. Consulte Preços do modelo.