Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus transforme le texte écrit en parole expressive ; l’édition Plus privilégie la qualité de synthèse, le naturel et une interprétation vocale détaillée. Qwen cite la création de contenu, les livres audio, le doublage de films et vidéos et la production vocale professionnelle comme applications principales. Le profil actualisé décrit une prise en charge plus large des langues peu dotées en ressources et des dialectes chinois, une meilleure authenticité des dialectes et un contrôle renforcé de l’émotion, du ton, du caractère, du débit, du volume et du style. Le fabricant signale aussi une amélioration de la clarté, de la résolution et de la robustesse dans des conditions acoustiques bruyantes ou réverbérantes.

Plus est l’édition axée sur la qualité de cette famille de synthèse vocale ; Flash est positionnée séparément pour l’interaction en temps réel. Préparez la narration comme un script parlé, en indiquant le public, le rythme et la direction émotionnelle. Pour un passage de livre audio, une consigne peut demander une articulation claire, un rythme mesuré et une chaleur retenue ; pour une voix off vidéo, une ouverture sérieuse puis une explication plus énergique. Il s’agit de choix d’interprétation des mots fournis. Le modèle synthétise la parole, plutôt que de la transcrire ou de générer une scène visuelle complète.

Les voix système officielles de Plus comprennent Long An Ling Xin, décrite comme chaleureuse et empathique, et Long An Lu Feng, décrite comme claire et joyeuse. Toutes deux sont indiquées pour le mandarin et l’anglais. Le fabricant fournit aussi plus de 500 voix de base pour cette édition, avec des aperçus à écouter avant le choix. Il recommande les voix système pour une synthèse plus régulière. Sélectionnez une voix dans la liste exacte de Plus et adaptez la langue du script aux langues qu’elle prend en charge ; une voix Flash n’est pas interchangeable simplement parce qu’elle appartient à la même famille générale.

Le modèle prend en charge le clonage vocal à partir d’un échantillon. Les langues documentées des voix clonées comprennent le chinois, l’anglais, le japonais, le coréen, le russe, le français, l’allemand, le portugais, le thaï, l’indonésien, le vietnamien, l’espagnol, l’italien, le malais, le filipino et l’arabe. Les variantes chinoises comprennent le mandarin, le cantonais, Chongqing, le Nord-Est, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, le shanghaïen, Sichuan et Yunnan, avec un contrôle des dialectes par instructions. Le tableau du fabricant distingue le clonage de la création d’une voix à partir d’une description textuelle : Plus prend en charge le clonage, mais pas ce mode distinct de conception vocale.

Une référence adaptée au clonage est une parole claire à vitesse normale, sans musique, bruit de fond, autres locuteurs ni chant. Le fabricant recommande 10–20 secondes et autorise jusqu’à 60 secondes dans un fichier ne dépassant pas 10 MB. Les formats de référence sont WAV 16 bits, MP3 et M4A, avec une fréquence d’échantillonnage minimale de 16 kHz. Au moins cinq secondes de parole claire continue sont requises ; il est recommandé que les pauses restantes ne dépassent pas deux secondes. En stéréo, seul le premier canal est traité. L’identifiant vocal créé est lié à Plus et sert à la synthèse lorsqu’il est prêt ; reproduire la même référence avec Flash nécessite une voix Flash créée séparément.

Les instructions en langage naturel peuvent façonner le ton, le rythme, l’émotion et le timbre des voix système comme des voix clonées. Utilisez des descriptions auditives concrètes plutôt qu’une demande vague de belle voix. Les tags d’émotion intégrés peuvent définir un style dans le script, et les tags d’effets vocaux insérer un effet à un endroit choisi. Par exemple, [serious] modifie l’interprétation qui suit, tandis que [sighing] insère un soupir sans modifier le style émotionnel environnant. Les tags de contrôle s’appliquent jusqu’au tag suivant ou à la segmentation automatique des phrases. Cette fonction à base de tags est documentée uniquement pour le streaming unidirectionnel ; sa portée diffère donc des instructions utilisées avec une entrée textuelle bidirectionnelle.

Les options de sortie du fabricant sont PCM, WAV, MP3 et Opus, aux fréquences indiquées de 8 000, 16 000, 22 050, 24 000, 44 100 et 48 000 Hz. MP3 et 22 050 Hz sont les valeurs par défaut documentées. Le volume se règle de 0 à 100, le débit et la hauteur de 0,5 à 2,0 ; MP3 et Opus autorisent aussi un débit binaire de 6 à 510 kbps. Choisissez la représentation nécessaire à la lecture ou au montage, puis gardez ces réglages identiques entre les sections d’une œuvre longue. La sortie en streaming comprend des trames audio et des métadonnées de phrases, avec des horodatages de mots pour les voix éligibles, y compris clonées.

Le processus documenté d’entrée textuelle WebSocket autorise 20 000 caractères par message et 200 000 au total, et exige un intervalle d’envoi ne dépassant pas 23 secondes. Il peut recevoir un script complet ou des segments textuels ordonnés et se terminer quand l’entrée est complète. Le fabricant documente aussi l’annulation du tour de synthèse en cours. Ce sont des limites et comportements de ce protocole, pas un plafond universel de durée audio générée. Pour une narration longue, organisez le script en sections cohérentes et conservez leur ordre et leur texte avec l’audio produit pour assembler et vérifier l’œuvre de manière homogène.

Pour la prononciation, le fabricant propose des indications de langue cible, des annotations pinyin et des remplacements de texte pour corriger des lectures indésirables de chiffres, abréviations, symboles ou mots. SSML est un mode de balisage distinct soumis à des conditions d’éligibilité : la documentation Qwen le prend en charge pour les voix clonées dans les appels sans streaming ou en streaming unidirectionnel, avec une seule soumission de texte lorsqu’il est activé. Cela n’établit pas SSML pour toutes les voix système ni pour le streaming bidirectionnel. Un processus Plus pratique commence par une voix compatible et un script terminé, puis ajoute des choix précis d’interprétation et de prononciation pour le passage narré.