Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus převádí psaný text na expresivní řeč, přičemž vydání Plus se soustředí na kvalitu syntézy, přirozenost a detailní hlasový projev. Qwen uvádí tvorbu obsahu, audioknihy, dabing filmů a videa a profesionální produkci řeči jako hlavní aplikace. Aktualizovaný profil popisuje širší podporu jazyků s malým množstvím dostupných dat a čínských dialektů, lepší autenticitu dialektů a silnější kontrolu emocí, tónu, postavy, rychlosti řeči, hlasitosti a stylu. Výrobce hlásí také zlepšení jasnosti, rozlišení a odolnosti v hlučných nebo dozvukových akustických podmínkách.

Plus je vydání této rodiny převodu textu na řeč zaměřené na kvalitu; Flash je samostatně určeno pro interakci v reálném čase. Vyprávění připravte jako mluvený scénář s určeným publikem, tempem a emočním směrem. U pasáže audioknihy může ilustrativní zadání požadovat jasnou artikulaci, rozvážné tempo a zdrženlivou vřelost; u komentáře k videu může žádat vážný začátek následovaný energičtějším vysvětlením. Jde o volby přednesu dodaných slov. Model je syntetizátor řeči, nikoli služba přepisu nebo generátor úplné vizuální scény.

Oficiální systémové hlasy pro Plus zahrnují Long An Ling Xin, popsaný jako vřelý a empatický, a Long An Lu Feng, popsaný jako jasný a veselý. Oba jsou uvedeny pro mandarínštinu a angličtinu. Výrobce poskytuje také více než 500 základních hlasů pro toto vydání s ukázkami k posouzení před výběrem. Pro konzistentnější syntézu doporučuje systémové hlasy. Vyberte hlas z přesného seznamu Plus a slaďte jazyk scénáře s podporovanými jazyky daného hlasu; hlas z Flash není zaměnitelný jen proto, že patří do stejné širší rodiny.

Model podporuje klonování hlasu na základě vzorku. Dokumentované jazyky klonovaných hlasů zahrnují čínštinu, angličtinu, japonštinu, korejštinu, ruštinu, francouzštinu, němčinu, portugalštinu, thajštinu, indonéštinu, vietnamštinu, španělštinu, italštinu, malajštinu, filipínštinu a arabštinu. Čínské varianty zahrnují Mandarin, Cantonese, Chongqing, Northeastern, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainese, Sichuan a Yunnan, s dialekty řízenými instrukcemi. Tabulka modelu výrobce odlišuje klonování od vytvoření hlasu z textového popisu: klonování je podporováno pro Plus, zatímco samostatný režim návrhu hlasu nikoli.

Vhodná reference pro klonování je jasná řeč normální rychlostí bez hudby, hluku na pozadí, překrývajících se mluvčích nebo zpěvu. Výrobce doporučuje 10–20 sekund a umožňuje až 60 sekund v souboru o velikosti nejvýše 10 MB. Referenční formáty jsou 16bitový WAV, MP3 a M4A se vzorkovací frekvencí alespoň 16 kHz. Je vyžadováno nejméně pět sekund souvislé jasné řeči a zbývající pauzy by neměly být delší než dvě sekundy. U sterea se zpracovává pouze první kanál. Vytvořený identifikátor hlasu je vázán na Plus a používá se pro syntézu, když je připraven; reprodukce stejné reference prostřednictvím Flash vyžaduje samostatně vytvořený hlas Flash.

Instrukce v přirozeném jazyce mohou formovat tón, tempo, emoce a barvu systémových i klonovaných hlasů. Používejte konkrétní slyšitelné popisy místo vágního požadavku na dobrý hlas. Vložené emoční tagy mohou nastavit styl uvnitř scénáře a tagy bohatého hlasového vyjádření mohou vložit hlasový efekt na vybraném místě. Například [serious] mění následující přednes, zatímco [sighing] vloží povzdech bez změny okolního emočního stylu. Řídicí tagy platí do dalšího řídicího tagu nebo automatické segmentace vět. Tato funkce založená na tazích je dokumentována pouze pro jednosměrné streamování, takže má jiný rozsah než instrukce používané s obousměrným textovým vstupem.

Výstupní možnosti výrobce jsou PCM, WAV, MP3 a Opus s uvedenými vzorkovacími frekvencemi 8 000, 16 000, 22 050, 24 000, 44 100 a 48 000 Hz. Dokumentovanými výchozími hodnotami jsou MP3 a 22 050 Hz. Hlasitost lze nastavit od 0 do 100 a rychlost a výšku hlasu od 0,5 do 2,0; MP3 a Opus navíc umožňují datový tok od 6 do 510 kbps. Vyberte reprezentaci potřebnou pro přehrávání nebo úpravy a potom zachovejte tato nastavení konzistentní napříč částmi delšího díla. Streamovaný výstup zahrnuje zvukové rámce a metadata vět, s časovými značkami slov dostupnými pro způsobilé hlasy včetně klonovaných.

Dokumentovaný tok textového vstupu přes WebSocket umožňuje 20 000 znaků na zprávu a kumulativně 200 000 znaků a vyžaduje interval odesílání nejvýše 23 sekund. Může přijímat úplný scénář nebo uspořádané textové segmenty a skončit, když je vstup dokončen. Výrobce dokumentuje také zrušení aktuálního kola syntézy. Jde o limity a chování tohoto protokolu, nikoli univerzální limit délky vygenerovaného zvuku. U dlouhého vyprávění uspořádejte scénář do souvislých částí a zachovejte jejich pořadí a text spolu s výsledným zvukem, aby bylo možné dílo konzistentně sestavit a zkontrolovat.

Pro výslovnost výrobce poskytuje nápovědu cílového jazyka, anotace pinyin a náhrady textu pro řešení nežádoucího čtení číslic, zkratek, symbolů nebo slov. SSML je samostatný režim značek s omezeními způsobilosti: dokumentace Qwen jej podporuje u klonovaných hlasů ve voláních bez streamování nebo s jednosměrným streamováním, pouze s jedním odesláním textu při zapnutí. Nepotvrzuje SSML pro každý systémový hlas ani pro obousměrné streamování. Praktický postup Plus začíná kompatibilním hlasem a dokončeným scénářem a pak přidává přesné volby přednesu a výslovnosti pro vyprávěnou pasáž.