Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash wandelt einen bereitgestellten Sprechtext in Sprache um; die Flash-Ausgabe konzentriert sich auf Echtzeitinteraktionen. Qwen nennt Sprachassistenten, interaktive Dialoge und intelligenten Kundenservice als Hauptanwendungen. Gegenüber der vorherigen Version beschreibt der Hersteller eine breitere Unterstützung ressourcenarmer Sprachen und chinesischer Dialekte, einen authentischeren Dialektausdruck und eine stärkere Kontrolle über Emotion, Tonfall, Charakter, Geschwindigkeit, Lautstärke und Sprechstil. Er berichtet außerdem von verbesserter Klarheit und Robustheit bei störenden Hintergrundgeräuschen oder hallenden akustischen Bedingungen. Es handelt sich um Text-zu-Audio-Synthese, nicht um die Erkennung eingehender Sprache oder ein Sprachdialogmodell.

Flash priorisiert einen schnellen Sprechbeginn im interaktiven Austausch. Qwen gibt für die Echtzeitsynthese dieses Modells eine Latenz bis zum ersten Paket von höchstens 200 Millisekunden an; der Nutzungsleitfaden weist zudem darauf hin, dass der anfängliche Verbindungsaufbau zur gemessenen Verzögerung der ersten Übermittlung beiträgt. Bereiten Sie den tatsächlich zu sprechenden Wortlaut getrennt von der gewünschten Sprechweise vor. Für die Antwort eines Sprachassistenten könnte eine beispielhafte Vorgabe eine knappe Antwort mit einer Anweisung für ruhiges, klares Sprechen verbinden. Das relevante Ergebnis ist die für diesen Text erzeugte Sprache; die Anwendung übernimmt die Wiedergabe und das umgebende Gespräch.

Die Liste der Systemstimmen des Herstellers enthält modellspezifische Optionen wie Long An Feng Yue für eine natürliche, freundliche Sprechweise und Long An Xiao Xin für eine freundliche, lebhafte Sprechweise. Beide sind für Mandarin und Englisch aufgeführt. Sie enthält auch englische Stimmen wie loongmary mit britischem Akzent und loongjohn mit einem ruhigen, freundlichen amerikanischen Akzent. Jedes Modell verfügt zusätzlich über mehr als 500 Basisstimmen. Qwen empfiehlt, für konsistente Ergebnisse mit Systemstimmen zu beginnen und bei der Auswahl einer Basisstimme die Hörproben zu beurteilen. Eine Stimme muss zum ausgewählten Modell gehören, und der Sprechtext muss in einer von ihr unterstützten Sprache verfasst sein.

Geklonte Stimmen erweitern den dokumentierten Sprachumfang auf Chinesisch, Englisch, Japanisch, Koreanisch, Russisch, Französisch, Deutsch, Portugiesisch, Thai, Indonesisch, Vietnamesisch, Spanisch, Italienisch, Malaiisch, Filipino und Arabisch. Die chinesische Abdeckung umfasst Mandarin, Kantonesisch sowie die Varietäten von Chongqing, Nordostchina, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghai, Sichuan und Yunnan; der Dialekt wird über Anweisungen ausgewählt. Die Modelltabelle unterstützt das Klonen von Stimmen anhand einer Aufnahme und unterscheidet es vom Erstellen einer neuen Stimme allein aus einer Textbeschreibung, was diese Ausgabe nicht unterstützt.

Für das Klonen empfiehlt der Hersteller eine Aufnahme von 10–20 Sekunden, bei einer Höchstdauer von 60 Sekunden und einer Dateigröße von maximal 10 MB. Unterstützte Referenzformate sind 16-Bit-WAV, MP3 und M4A mit einer Abtastrate von mindestens 16 kHz. Die Aufnahme muss mindestens fünf Sekunden zusammenhängende, klare Sprache enthalten; sonstige Pausen sollten nicht länger als zwei Sekunden sein. Vermeiden Sie Hintergrundgeräusche, andere Stimmen und Gesang. Stereo wird akzeptiert, verarbeitet wird jedoch nur der erste Kanal. Der Klonvorgang liefert eine Stimmkennung, die an das genaue Zielmodell gebunden ist; sobald die Stimme bereit ist, verwendet die Synthese diese Kennung. Für dieselbe Aufnahme müssen für Flash und Plus getrennte geklonte Stimmen erstellt werden.

Anweisungen in natürlicher Sprache steuern die Sprechweise sowohl bei Systemstimmen als auch bei geklonten Stimmen. Beschreiben Sie hörbare Eigenschaften wie einen sanften Tonfall, klare Artikulation oder ein etwas langsameres Tempo. Inline-Tags bieten eine andere Steuerungsmöglichkeit: [empathetic] oder [serious] legt einen Stil für den folgenden Text fest, während [laughing] oder [sighing] an einer bestimmten Stelle einen Stimmeffekt einfügt. Ein Steuer-Tag wirkt bis zu einem weiteren Steuer-Tag oder bis zur automatischen Satzsegmentierung. Diese Tags für Emotionen und ausdrucksreiche Sprache sind nur für unidirektionales Streaming dokumentiert, nicht für den bidirektionalen Texteingabemodus. Bereiten Sie eine ausdrucksstarke Äußerung in dem Modus vor, der zu diesen Steuermöglichkeiten passt.

Die Sprachschnittstelle des Herstellers unterstützt PCM, WAV, MP3 und Opus. Die aufgeführten Abtastraten sind 8.000, 16.000, 22.050, 24.000, 44.100 und 48.000 Hz; Standardwerte sind MP3 und 22.050 Hz. Die Lautstärke reicht von 0 bis 100; Sprechgeschwindigkeit und Tonhöhe reichen jeweils von 0,5 bis 2,0. MP3 und Opus bieten außerdem eine Bitrateneinstellung von 6 bis 510 kbps. Wählen Sie Format und Abtastrate passend zum vorgesehenen Player oder Verarbeitungsablauf. Für interaktive Anwendungen dokumentiert der Hersteller Audioframes im Streaming und Satzmetadaten; für geeignete Stimmen, einschließlich geklonter Stimmen, sind in der Streaming-Ausgabe Zeitstempel auf Wortebene verfügbar.

Das dokumentierte WebSocket-Textprotokoll akzeptiert bis zu 20.000 Zeichen in einer Textnachricht und insgesamt 200.000 Zeichen pro Auftrag, wobei zwischen Übermittlungen höchstens 23 Sekunden liegen dürfen. Dies sind Protokollgrenzen des Herstellers und keine allgemeingültige Grenze für die Ausgabedauer des Modells. Das Protokoll unterstützt den Abbruch des aktuellen Synthesedurchgangs und einen anschließenden Auftrag über dieselbe Verbindung. Halten Sie Textabschnitte in der vorgesehenen Sprechreihenfolge und beenden Sie die Eingabe, wenn der Sprechtext vollständig ist. Zur Vorbereitung der Aussprache dokumentiert der Hersteller Hinweise zur Zielsprache, Pinyin-Anmerkungen und Textersetzungen, die hilfreich sind, wenn Ziffern, Abkürzungen oder Symbole unerwartet ausgesprochen werden.

SSML ist eine gesonderte Auszeichnungsoption mit Bedingungen hinsichtlich Stimme und Interaktionsmodus: Qwen dokumentiert sie für geklonte Stimmen, bei Aufrufen ohne Streaming oder mit unidirektionalem Streaming und mit einer einzigen Textübermittlung, wenn SSML aktiviert ist. Sie sollte nicht für jede vordefinierte Stimme oder jeden bidirektionalen Stream vorausgesetzt werden. Beginnen Sie bei gewöhnlichen Dialogen mit einer kompatiblen Stimme, einem sauberen Sprechtext und einer konkreten Anweisung zur Sprechweise; ergänzen Sie gezielte Aussprache- oder Ausdruckssteuerung, wenn die Aufgabe dies erfordert. So bleibt das Flash-Profil auf schnell reagierende Sprachausgabe aus vorbereitetem Text ausgerichtet, statt auf Fähigkeiten anderer Qwen-Audiomodelle.