Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash převádí dodaný text na řeč; edice Flash se zaměřuje na interakci v reálném čase. Qwen jako hlavní oblasti použití uvádí hlasové asistenty, interaktivní dialog a inteligentní zákaznickou podporu. Oproti předchozí verzi výrobce popisuje širší podporu jazyků s omezeným množstvím trénovacích dat a čínských dialektů, autentičtější nářeční projev a lepší ovládání emocí, tónu, charakteru hlasu, rychlosti, hlasitosti a stylu mluvy. Uvádí také lepší srozumitelnost a odolnost vůči hlučnému prostředí nebo dozvuku. Jde o syntézu zvuku z textu, nikoli o rozpoznávání příchozí řeči nebo model pro hlasový dialog.

Flash upřednostňuje rychlé zahájení řeči při interaktivní výměně. Qwen u syntézy tohoto modelu v reálném čase uvádí latenci prvního paketu do 200 milisekund; průvodce použitím zároveň upozorňuje, že do naměřeného zpoždění prvního odeslání vstupuje počáteční navázání spojení. Připravte samotná slova, která mají zaznít, odděleně od požadovaného způsobu přednesu. Například zadání odpovědi hlasového asistenta může spojit stručnou odpověď s pokynem ke klidnému a zřetelnému přednesu. Výsledkem je řeč vygenerovaná pro daný text; přehrávání a navazující konverzaci zajišťuje aplikace.

Výrobcův seznam systémových hlasů zahrnuje možnosti pro konkrétní model, například Long An Feng Yue pro přirozený a přátelský přednes a Long An Xiao Xin pro přátelský a živý přednes; oba jsou uvedeny pro mandarínštinu a angličtinu. Obsahuje také anglické hlasy, například loongmary s britským přízvukem a loongjohn s klidným, přátelským americkým přízvukem. Každý model má navíc více než 500 základních hlasů. Qwen doporučuje pro konzistentní výsledky začít se systémovými hlasy a při výběru základního hlasu posoudit ukázky. Hlas musí patřit ke zvolenému modelu a text musí být v jazyce, který daný hlas podporuje.

Klonované hlasy rozšiřují dokumentovanou nabídku jazyků o čínštinu, angličtinu, japonštinu, korejštinu, ruštinu, francouzštinu, němčinu, portugalštinu, thajštinu, indonéštinu, vietnamštinu, španělštinu, italštinu, malajštinu, filipínštinu a arabštinu. U čínštiny podpora zahrnuje mandarínštinu, kantonštinu a regionální variety Chongqing, severovýchodní Číny, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Šanghaje, Sichuan a Yunnan; dialekt se vybírá pomocí pokynů. Tabulka modelů uvádí podporu klonování hlasu podle ukázky a odlišuje ji od vytvoření nového hlasu pouze z textového popisu, které tato edice nepodporuje.

Pro klonování výrobce doporučuje nahrávku o délce 10–20 sekund, s maximem 60 sekund a velikostí souboru nejvýše 10 MB. Podporované referenční formáty jsou 16bitový WAV, MP3 a M4A se vzorkovací frekvencí alespoň 16 kHz. Nahrávka musí obsahovat alespoň pět sekund souvislé a zřetelné řeči; ostatní pauzy nemají přesáhnout dvě sekundy. Vyhněte se zvukům na pozadí, dalším hlasům a zpěvu. Stereo je přijímáno, zpracovává se však pouze první kanál. Postup klonování vrací identifikátor hlasu vázaný na přesný cílový model; jakmile je hlas připraven, syntéza tento identifikátor používá. Pro Flash a Plus je nutné ze stejné nahrávky vytvořit samostatné klonované hlasy.

Pokyny v přirozeném jazyce řídí přednes systémových i klonovaných hlasů. Popište slyšitelné vlastnosti, například jemný tón, zřetelnou artikulaci nebo mírně pomalejší tempo. Značky přímo v textu nabízejí jiný způsob ovládání: [empathetic] nebo [serious] nastaví styl následujícího textu, zatímco [laughing] nebo [sighing] vloží hlasový projev na konkrétní místo. Řídicí značka platí do další řídicí značky nebo do automatického rozdělení na věty. Tyto značky pro emoce a hlasové projevy jsou dokumentovány pouze pro jednosměrné streamování, nikoli pro režim obousměrného textového vstupu. Výrazovou repliku připravte v režimu, který je s těmito ovládacími prvky slučitelný.

Řečové rozhraní výrobce podporuje PCM, WAV, MP3 a Opus. Uvedené vzorkovací frekvence jsou 8 000, 16 000, 22 050, 24 000, 44 100 a 48 000 Hz; výchozími hodnotami jsou MP3 a 22 050 Hz. Hlasitost má rozsah od 0 do 100; rychlost řeči a výška hlasu mají shodně rozsah od 0,5 do 2,0. U MP3 a Opus je navíc k dispozici nastavení datového toku od 6 do 510 kbps. Vyberte formát a vzorkovací frekvenci podle zamýšleného přehrávače nebo navazujícího zpracování. Pro interaktivní aplikace výrobce dokumentuje streamované zvukové rámce a metadata vět; ve streamovaném výstupu jsou pro způsobilé hlasy, včetně klonovaných, dostupné časové značky na úrovni slov.

Dokumentovaný textový protokol WebSocket přijímá až 20 000 znaků v jedné textové zprávě a souhrnně 200 000 znaků v rámci úlohy, přičemž interval mezi odesláními nesmí přesáhnout 23 sekund. Jde o limity protokolu výrobce, které jsou oddělené od univerzálního limitu délky výstupu modelu. Podporuje zrušení aktuálního kola syntézy a následnou úlohu na stejném spojení. Textové úseky ponechte v pořadí, v němž mají zaznít, a po dokončení textu ukončete vstup. Pro přípravu výslovnosti výrobce dokumentuje vodítka pro cílový jazyk, anotace v pinyinu a náhrady textu; hodí se tam, kde jsou číslice, zkratky nebo symboly vyslovovány neočekávaně.

SSML je samostatná možnost značkování s podmínkami týkajícími se hlasu a režimu interakce: Qwen ji dokumentuje pro klonované hlasy, při voláních bez streamování nebo s jednosměrným streamováním a s jediným odesláním textu při zapnutém SSML. Nelze ji předpokládat u každého přednastaveného hlasu nebo obousměrného streamu. Pro běžný dialog začněte kompatibilním hlasem, čistým textem určeným k přednesu a konkrétním pokynem k jeho podání; cílené ovládání výslovnosti nebo výrazu přidávejte podle potřeb úlohy. Profil Flash tak zůstává zaměřený na pohotovou řeč z připraveného textu, nikoli na schopnosti jiných zvukových modelů Qwen.