Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash convierte un guion proporcionado en voz, y la edición Flash se centra en la interacción en tiempo real. Qwen señala los asistentes de voz, el diálogo interactivo y la atención al cliente inteligente como sus principales aplicaciones. Frente a la versión anterior, el fabricante describe una mayor compatibilidad con lenguas de pocos recursos y dialectos chinos, una expresión dialectal más auténtica y un mayor control de la emoción, el tono, el carácter, la velocidad, el volumen y el estilo al hablar. También indica mejoras en la claridad y la robustez en condiciones acústicas con ruido o reverberación. Se trata de síntesis de texto a audio, no de reconocimiento del habla entrante ni de un modelo de diálogo por voz.

Flash da prioridad al inicio de la locución en un intercambio interactivo. Qwen indica una latencia del primer paquete de hasta 200 milisegundos para la síntesis en tiempo real de este modelo; su guía de uso también señala que el establecimiento inicial de la conexión contribuye al retraso medido en el primer envío. Prepara por separado las palabras que deben pronunciarse y la forma deseada de decirlas. Para la respuesta de un asistente de voz, un ejemplo de indicación podría combinar una respuesta concisa con una instrucción de locución tranquila y clara. El resultado relevante es la voz generada para ese texto, mientras que la aplicación se ocupa de la reproducción y de la conversación que la rodea.

La lista de voces del sistema del fabricante incluye opciones específicas del modelo, como Long An Feng Yue para una locución natural y cercana y Long An Xiao Xin para una locución cercana y animada; ambas figuran para mandarín e inglés. También incluye voces en inglés como loongmary, con acento británico, y loongjohn, con un acento estadounidense tranquilo y cercano. Cada modelo dispone, además, de más de 500 voces base. Qwen recomienda empezar con las voces del sistema para mantener la coherencia y evaluar las muestras al elegir una voz base. La voz debe pertenecer al modelo seleccionado y el guion debe estar en un idioma compatible con esa voz.

Las voces clonadas amplían la gama de idiomas documentada a chino, inglés, japonés, coreano, ruso, francés, alemán, portugués, tailandés, indonesio, vietnamita, español, italiano, malayo, filipino y árabe. La cobertura del chino incluye las variedades de mandarín, cantonés, Chongqing, noreste de China, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghái, Sichuan y Yunnan, con selección del dialecto mediante instrucciones. La tabla del modelo admite la clonación de voz a partir de una muestra y la distingue de la creación de una voz nueva únicamente a partir de una descripción textual, que esta edición no admite.

Para la clonación, el fabricante recomienda una grabación de 10–20 segundos, con un máximo de 60 segundos y un tamaño de archivo no superior a 10 MB. Los formatos de referencia admitidos son WAV de 16 bits, MP3 y M4A, con una frecuencia de muestreo de al menos 16 kHz. La grabación debe contener al menos cinco segundos de habla continua y clara; las demás pausas no deben superar los dos segundos. Evita el sonido de fondo, otras voces y el canto. Se admite estéreo, pero solo se procesa el primer canal. El flujo de clonación devuelve un identificador de voz vinculado al modelo de destino exacto, y la síntesis utiliza ese identificador una vez que la voz está lista. La misma grabación requiere voces clonadas distintas para Flash y Plus.

Las instrucciones en lenguaje natural controlan la locución tanto de las voces del sistema como de las clonadas. Describe cualidades audibles, como un tono suave, una articulación clara o un ritmo algo más lento. Las etiquetas insertadas en el texto ofrecen otro tipo de control: [empathetic] o [serious] establece un estilo para el texto posterior, mientras que [laughing] o [sighing] inserta un efecto vocal en una posición concreta. Una etiqueta de control permanece activa hasta que aparece otra etiqueta de control o se produce la segmentación automática de frases. Estas etiquetas de emoción y lenguaje enriquecido están documentadas solo para el streaming unidireccional, no para el modo de entrada de texto bidireccional. Prepara una frase expresiva en el modo adecuado para esos controles.

La interfaz de voz del fabricante admite PCM, WAV, MP3 y Opus. Las frecuencias de muestreo indicadas son 8.000, 16.000, 22.050, 24.000, 44.100 y 48.000 Hz, con MP3 y 22.050 Hz como valores predeterminados. El volumen va de 0 a 100; la velocidad del habla y la altura tonal van, cada una, de 0,5 a 2,0. MP3 y Opus también ofrecen un ajuste de tasa de bits de 6 a 510 kbps. Selecciona un formato y una frecuencia de muestreo adecuados para el reproductor o el flujo de procesamiento previsto. Para una aplicación interactiva, el fabricante documenta tramas de audio en streaming y metadatos de las frases, con marcas de tiempo a nivel de palabra disponibles en la salida en streaming para las voces que cumplan las condiciones, incluidas las voces clonadas.

El protocolo de texto WebSocket documentado acepta hasta 20.000 caracteres en un mensaje de texto y 200.000 caracteres acumulados en una tarea, con un intervalo máximo de 23 segundos entre envíos. Son límites del protocolo del fabricante, distintos de un límite universal de duración de la salida del modelo. Admite la cancelación del turno de síntesis actual y una tarea posterior en la misma conexión. Mantén los segmentos de texto en el orden en que deben pronunciarse y finaliza la entrada cuando el guion esté completo. Para preparar la pronunciación, el fabricante documenta indicaciones del idioma de destino, anotaciones pinyin y sustituciones de texto, útiles cuando los dígitos, las abreviaturas o los símbolos se pronuncian de forma inesperada.

SSML es una opción de marcado independiente con condiciones relativas a la voz y al modo de interacción: Qwen la documenta para voces clonadas, con llamadas sin streaming o con streaming unidireccional, y un único envío de texto cuando SSML está activado. No debe darse por supuesta para todas las voces predefinidas ni para el streaming bidireccional. Para el diálogo habitual, empieza con una voz compatible, un guion limpio para la locución y una instrucción concreta sobre cómo decirlo; añade controles específicos de pronunciación o expresividad cuando la tarea los requiera. Así, el perfil Flash se mantiene centrado en una respuesta de voz rápida a partir de texto preparado, en lugar de en las capacidades de otros modelos de audio Qwen.