Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash convertit un texte fourni en parole, l’édition Flash étant axée sur l’interaction en temps réel. Qwen présente les assistants vocaux, le dialogue interactif et le service à la clientèle intelligent comme ses principales applications. Par rapport à la version précédente, le fabricant décrit une prise en charge élargie des langues peu dotées en ressources et des dialectes chinois, une expression dialectale plus authentique et un meilleur contrôle de l’émotion, du ton, du personnage, de la vitesse, du volume et du style de parole. Il indique également une clarté et une robustesse accrues dans des conditions acoustiques bruyantes ou réverbérantes. Il s’agit d’une synthèse de texte en audio, et non de la reconnaissance de la parole entrante ou d’un modèle de dialogue vocal.

Flash privilégie le démarrage de la parole dans un échange interactif. Qwen annonce pour la synthèse en temps réel de ce modèle une latence du premier paquet ne dépassant pas 200 millisecondes; son guide d’utilisation précise également que l’établissement initial de la connexion contribue au délai mesuré lors du premier envoi. Préparez séparément les mots à prononcer et la manière souhaitée de les dire. Pour la réponse d’un assistant vocal, un exemple de consigne pourrait associer une réponse concise à une instruction demandant une diction calme et claire. Le résultat attendu est la parole générée à partir de ce texte, l’application se chargeant de la lecture audio et de la conversation qui l’entoure.

La liste des voix système du fabricant comprend des options propres au modèle, comme Long An Feng Yue pour une diction naturelle et amicale et Long An Xiao Xin pour une diction amicale et enjouée, toutes deux proposées en mandarin et en anglais. Elle comprend aussi des voix anglaises telles que loongmary, à l’accent britannique, et loongjohn, à l’accent américain calme et amical. Chaque modèle dispose en outre de plus de 500 voix de base. Qwen recommande de commencer par les voix système pour assurer la cohérence et d’écouter les aperçus pour choisir une voix de base. Une voix doit appartenir au modèle sélectionné, et le texte doit être dans une langue prise en charge par cette voix.

Les voix clonées élargissent l’éventail de langues documenté au chinois, à l’anglais, au japonais, au coréen, au russe, au français, à l’allemand, au portugais, au thaï, à l’indonésien, au vietnamien, à l’espagnol, à l’italien, au malais, au filipino et à l’arabe. Pour le chinois, la couverture comprend le mandarin, le cantonais et les variétés de Chongqing, du Nord-Est, du Gansu, du Guizhou, du Zhejiang, du Hebei, du Henan, du Hubei, du Hunan, du Jiangxi, de Ningbo, du Ningxia, de Qingdao, du Shaanxi, du Shanxi, du Shandong, de Shanghai, du Sichuan et du Yunnan; le choix du dialecte se fait par des instructions. Le tableau des modèles prend en charge le clonage vocal à partir d’un échantillon et le distingue de la création d’une nouvelle voix à partir d’une simple description textuelle, que cette édition ne prend pas en charge.

Pour le clonage, le fabricant recommande un enregistrement de 10–20 secondes, avec un maximum de 60 secondes et une taille de fichier ne dépassant pas 10 MB. Les formats de référence pris en charge sont WAV 16 bits, MP3 et M4A, avec une fréquence d’échantillonnage d’au moins 16 kHz. L’enregistrement doit contenir au moins cinq secondes de parole claire et continue; les autres pauses ne doivent pas dépasser deux secondes. Évitez les bruits de fond, les autres voix et le chant. La stéréo est acceptée, mais seul le premier canal est traité. Le processus de clonage renvoie un identifiant de voix lié au modèle cible exact, que la synthèse utilise une fois la voix prête. Un même enregistrement nécessite des voix clonées distinctes pour Flash et Plus.

Les instructions en langage naturel contrôlent la diction des voix système comme des voix clonées. Décrivez des qualités audibles, par exemple un ton doux, une articulation claire ou un débit légèrement plus lent. Les balises intégrées au texte offrent un autre type de contrôle : [empathetic] ou [serious] définit un style pour le texte qui suit, tandis que [laughing] ou [sighing] insère un effet vocal à un emplacement précis. Une balise de contrôle reste active jusqu’à une autre balise de contrôle ou jusqu’à la segmentation automatique des phrases. Ces balises émotionnelles et d’enrichissement de la parole ne sont documentées que pour la diffusion en continu unidirectionnelle, et non pour le mode de saisie de texte bidirectionnel. Préparez une phrase expressive dans le mode adapté à ces commandes.

L’interface vocale du fabricant prend en charge PCM, WAV, MP3 et Opus. Les fréquences d’échantillonnage indiquées sont 8 000, 16 000, 22 050, 24 000, 44 100 et 48 000 Hz, avec MP3 et 22 050 Hz comme valeurs par défaut. Le volume va de 0 à 100; le débit de parole et la hauteur tonale vont chacun de 0,5 à 2,0. MP3 et Opus proposent aussi un réglage du débit binaire de 6 à 510 kbps. Choisissez un format et une fréquence d’échantillonnage adaptés au lecteur ou au processus de traitement prévu. Pour une application interactive, le fabricant documente des trames audio en continu et des métadonnées de phrases, avec des horodatages au niveau des mots disponibles dans la sortie en continu pour les voix compatibles, y compris les voix clonées.

Le protocole textuel WebSocket documenté accepte jusqu’à 20 000 caractères dans un message texte et 200 000 caractères cumulés dans une tâche, avec au plus 23 secondes entre les envois. Il s’agit de limites du protocole du fabricant, distinctes d’une limite universelle de durée audio produite par le modèle. Il permet d’annuler le tour de synthèse en cours et de lancer une tâche ultérieure sur la même connexion. Conservez les segments de texte dans l’ordre où ils doivent être prononcés et terminez la saisie une fois le texte complet. Pour préparer la prononciation, le fabricant documente des indications de langue cible, des annotations en pinyin et des substitutions de texte, utiles lorsque des chiffres, des abréviations ou des symboles sont prononcés de manière inattendue.

SSML est une option de balisage distincte soumise à des conditions de voix et de mode d’interaction : Qwen la documente pour les voix clonées, avec des appels sans diffusion en continu ou avec diffusion en continu unidirectionnelle, et un seul envoi de texte lorsque SSML est activé. Il ne faut pas supposer sa prise en charge pour toutes les voix prédéfinies ni pour tous les flux bidirectionnels. Pour un dialogue ordinaire, commencez par une voix compatible, un texte à prononcer propre et une instruction de diction précise; ajoutez des commandes ciblées de prononciation ou d’expression lorsque la tâche l’exige. Le profil Flash reste ainsi centré sur une parole réactive à partir d’un texte préparé, plutôt que sur les capacités d’autres modèles audio Qwen.