Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus wandelt geschriebenen Text in ausdrucksstarke Sprache um. Die Plus-Edition konzentriert sich auf Synthesequalität, Natürlichkeit und detaillierte stimmliche Darbietung. Qwen nennt Inhaltserstellung, Hörbücher, Film- und Videosynchronisation und professionelle Sprachproduktion als Hauptanwendungen. Das aktualisierte Modellprofil beschreibt eine breitere Unterstützung ressourcenarmer Sprachen und chinesischer Dialekte, authentischere Dialekte und stärkere Kontrolle über Emotion, Ton, Charakter, Sprechtempo, Lautstärke und Stil. Der Hersteller berichtet zudem über verbesserte Klarheit, Auflösung und Robustheit bei verrauschten oder hallenden akustischen Bedingungen.

Plus ist die qualitätsorientierte Edition dieser Text-to-Speech-Familie; Flash wird separat für Echtzeitinteraktion positioniert. Bereiten Sie eine Erzählung als gesprochenes Skript vor und nennen Sie Zielgruppe, Tempo und emotionale Richtung. Für eine Hörbuchpassage könnte ein beispielhafter Auftrag klare Artikulation, gemessenes Tempo und zurückhaltende Wärme verlangen; für einen Videokommentar einen ernsten Einstieg und anschliessend eine energischere Erklärung. Das sind Darbietungsentscheidungen für vorgegebene Wörter. Das Modell ist ein Sprachsynthesizer, kein Transkriptionsdienst oder Generator einer vollständigen visuellen Szene.

Zu den offiziellen Systemstimmen für Plus gehören Long An Ling Xin, als warm und empathisch beschrieben, und Long An Lu Feng, als hell und fröhlich beschrieben. Beide sind für Mandarin und Englisch aufgeführt. Der Hersteller bietet ausserdem mehr als 500 Basisstimmen für diese Edition mit Hörproben vor der Auswahl. Er empfiehlt Systemstimmen für konsistentere Synthese. Wählen Sie eine Stimme aus der genauen Plus-Liste und stimmen Sie die Skriptsprache auf ihre unterstützten Sprachen ab; eine Flash-Stimme ist nicht allein deshalb austauschbar, weil sie derselben übergeordneten Familie angehört.

Das Modell unterstützt Stimmklonen anhand einer Aufnahme. Dokumentierte Sprachen geklonter Stimmen sind Chinesisch, Englisch, Japanisch, Koreanisch, Russisch, Französisch, Deutsch, Portugiesisch, Thai, Indonesisch, Vietnamesisch, Spanisch, Italienisch, Malaiisch, Filipino und Arabisch. Chinesische Varianten umfassen Mandarin, Kantonesisch, Chongqing, Nordostchinesisch, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainesisch, Sichuan und Yunnan; die Dialekte werden über Anweisungen gesteuert. Die Herstellertabelle unterscheidet Klonen vom Erstellen einer Stimme anhand einer Textbeschreibung: Plus unterstützt Klonen, nicht diesen separaten Stimmdesignmodus.

Eine geeignete Klonreferenz ist klare Sprache in normalem Tempo ohne Musik, Hintergrundgeräusche, andere Sprecher oder Gesang. Der Hersteller empfiehlt 10–20 Sekunden und erlaubt bis zu 60 Sekunden in einer Datei mit höchstens 10 MB. Referenzformate sind 16-Bit-WAV, MP3 und M4A mit mindestens 16 kHz Abtastrate. Mindestens fünf Sekunden durchgehend klare Sprache sind erforderlich; für verbleibende Pausen wird eine Länge von höchstens zwei Sekunden empfohlen. Bei Stereo wird nur der erste Kanal verarbeitet. Die erzeugte Stimmkennung ist an Plus gebunden und wird nach ihrer Fertigstellung zur Synthese verwendet; dieselbe Referenz mit Flash wiederzugeben, erfordert eine separat angelegte Flash-Stimme.

Natürlichsprachliche Anweisungen können Ton, Tempo, Emotion und Klangfarbe sowohl von Systemstimmen als auch geklonten Stimmen formen. Verwenden Sie konkrete hörbare Beschreibungen statt einer vagen Bitte um eine gute Stimme. Inline-Emotionstags können einen Stil im Skript setzen, während Tags für stimmliche Effekte an einer gewählten Stelle einen Effekt einfügen. Beispielsweise verändert [serious] die folgende Darbietung, während [sighing] einen Seufzer einfügt, ohne den umgebenden emotionalen Stil zu verändern. Steuerungstags gelten bis zum nächsten Steuerungstag oder zur automatischen Satzsegmentierung. Diese tagbasierte Funktion ist nur für unidirektionales Streaming dokumentiert und hat damit einen anderen Geltungsbereich als Anweisungen bei bidirektionaler Texteingabe.

Die Ausgabeoptionen des Herstellers sind PCM, WAV, MP3 und Opus bei aufgeführten Abtastraten von 8’000, 16’000, 22’050, 24’000, 44’100 und 48’000 Hz. MP3 und 22’050 Hz sind die dokumentierten Standardwerte. Die Lautstärke lässt sich von 0 bis 100 einstellen, Tempo und Tonhöhe von 0,5 bis 2,0; MP3 und Opus erlauben zusätzlich eine Bitrate von 6 bis 510 kbps. Wählen Sie die für Wiedergabe oder Bearbeitung benötigte Darstellung und halten Sie die Einstellungen über die Abschnitte eines längeren Stücks hinweg gleich. Streaming liefert Audioframes und Satzmetadaten; Wortzeitstempel sind für geeignete Stimmen verfügbar, einschliesslich geklonter Stimmen.

Der dokumentierte WebSocket-Texteingabeablauf erlaubt 20’000 Zeichen pro Nachricht und insgesamt 200’000 Zeichen und verlangt ein Übermittlungsintervall von höchstens 23 Sekunden. Er kann ein vollständiges Skript oder geordnete Textsegmente empfangen und endet, wenn die Eingabe vollständig ist. Der Hersteller dokumentiert zudem das Abbrechen der aktuellen Syntheserunde. Dies sind Grenzen und Verhaltensweisen dieses Protokolls, keine universelle Obergrenze für die Dauer generierter Sprache. Gliedern Sie eine lange Erzählung in zusammenhängende Abschnitte und bewahren Sie deren Reihenfolge und Text zusammen mit dem entstandenen Audio, damit sich das Stück konsistent zusammensetzen und prüfen lässt.

Für die Aussprache bietet der Hersteller Zielsprachenhinweise, Pinyin-Annotationen und Textersetzungen für unerwünschte Lesarten von Ziffern, Abkürzungen, Symbolen oder Wörtern. SSML ist ein separater Markierungsmodus mit Eignungsbedingungen: Die Qwen-Dokumentation unterstützt ihn für geklonte Stimmen in nichtstreamenden oder unidirektional streamenden Aufrufen, bei Aktivierung mit nur einer Textübermittlung. Daraus folgt keine SSML-Unterstützung für jede Systemstimme oder für bidirektionales Streaming. Ein praktischer Plus-Ablauf beginnt mit einer kompatiblen Stimme und einem fertigen Skript und ergänzt präzise Darbietungs- und Ausspracheentscheidungen für die erzählte Passage.