Qwen: Qwen-Audio-3.0-TTS Plus

A Qwen-Audio-3.0-TTS-Plus írott szöveget alakít kifejező beszéddé. A Plus-verzió a szintézis minőségére, természetességére és részletes vokális előadásmódjára összpontosít. A Qwen fő alkalmazásként tartalomkészítést, hangoskönyveket, film- és videoszinkronizálást, valamint professzionális beszédprodukciót nevez meg. A frissített modellprofil szélesebb támogatást ír le a kevés nyelvi erőforrással rendelkező nyelvekhez és kínai dialektusokhoz, jobb dialektushitelességet, valamint erősebb kontrollt az érzelem, tónus, karakter, beszédsebesség, hangerő és stílus fölött. A gyártó javuló tisztaságról, felbontásról és zajos vagy visszhangos akusztikai környezetben való robusztusságról is beszámol.

A Plus e szövegfelolvasó család minőségközpontú verziója; a Flash külön a valós idejű interakcióra van pozicionálva. A narrációt beszédre szánt forgatókönyvként készítsd elő a célközönség, tempó és érzelmi irány megadásával. Egy hangoskönyvrészlet például tiszta artikulációt, megfontolt tempót és visszafogott melegséget kérhet; egy videós narráció komoly nyitást, majd energikusabb magyarázatot. Ezek a megadott szavak előadásmódjának választásai. A modell beszédszintetizátor, nem átírási szolgáltatás vagy teljes vizuális jelenetet létrehozó generátor.

A Plus hivatalos rendszerhangjai között szerepel a melegnek és empatikusnak leírt Long An Ling Xin, valamint a csengőnek és vidámnak leírt Long An Lu Feng. Mindkettő mandarin és angol nyelvre van felsorolva. A gyártó több mint 500 alaphangot is biztosít ehhez a verzióhoz, választás előtt meghallgatható mintákkal. Egyenletesebb szintézishez rendszerhangokat ajánl. A pontos Plus-listából válassz hangot, és a forgatókönyv nyelvét igazítsd az adott hang támogatott nyelveihez; egy Flash-hang nem felcserélhető pusztán azért, mert ugyanahhoz a tágabb családhoz tartozik.

A modell mintaalapú hangklónozást támogat. A klónozott hangok dokumentált nyelvei a kínai, angol, japán, koreai, orosz, francia, német, portugál, thai, indonéz, vietnámi, spanyol, olasz, maláj, filippínó és arab. A kínai változatok között van mandarin, kantoni, valamint Chongqing, Északkelet-Kína, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghai, Sichuan és Yunnan dialektusa. A dialektusokat utasítások vezérlik. A gyártó modelltáblázata megkülönbözteti a klónozást a szöveges leírásból való hangkészítéstől: a Plus támogatja a klónozást, ezt a külön hangtervezési módot viszont nem.

Megfelelő klónozási referencia a normál sebességű, tiszta beszéd zene, háttérzaj, egymással versengő beszélők vagy ének nélkül. A gyártó 10–20 másodpercet ajánl, és legfeljebb 60 másodpercet enged legfeljebb 10 MB-os fájlban. A referenciaformátumok 16 bites WAV, MP3 és M4A, legalább 16 kHz mintavételi frekvenciával. Legalább öt másodperc összefüggő, tiszta beszéd szükséges, a megmaradó szüneteknél pedig legfeljebb két másodperces időtartam javasolt. Sztereónál csak az első csatorna kerül feldolgozásra. A létrehozott hangazonosító a Plushoz kötött, és elkészültekor használható szintézisre; ugyanannak a referenciának Flashszel való reprodukálásához külön létrehozott Flash-hang kell.

Természetes nyelvű utasítások alakíthatják mind a rendszerhangok, mind a klónozott hangok tónusát, tempóját, érzelmét és hangszínét. Homályos, jó hangot kérő instrukció helyett használj konkrét hallható leírásokat. A forgatókönyvbe írt érzelmi címkék stílust állíthatnak be, a vokális hatáscímkék pedig adott helyre hangeffektust szúrhatnak be. Például a [serious] megváltoztatja az utána következő előadásmódot, a [sighing] pedig sóhajt szúr be a környező érzelmi stílus módosítása nélkül. A vezérlőcímkék a következő vezérlőcímkéig vagy az automatikus mondatszegmentálásig érvényesek. Ez a címkealapú funkció csak egyirányú streaminghez dokumentált, így más a hatóköre, mint a kétirányú szövegbemenettel használt utasításoké.

A gyártó kimeneti lehetőségei PCM, WAV, MP3 és Opus, felsorolt 8 000, 16 000, 22 050, 24 000, 44 100 és 48 000 Hz-es mintavételi frekvenciákkal. Dokumentált alapértelmezés az MP3 és a 22 050 Hz. A hangerő 0 és 100, a sebesség és hangmagasság pedig 0,5 és 2,0 között állítható; az MP3 és Opus emellett 6–510 kbps bitrátát enged. Válaszd a lejátszáshoz vagy szerkesztéshez szükséges formátumot, majd tartsd a beállításokat egységesen a hosszabb mű szakaszaiban. A streamelt kimenet hangkereteket és mondatmetaadatokat tartalmaz, szó-időbélyegekkel a funkciót támogató hangokhoz, köztük klónozott hangokhoz.

A dokumentált WebSocket-szövegbemeneti folyamat üzenetenként 20 000 karaktert, összesen pedig 200 000 karaktert enged, és legfeljebb 23 másodperces beküldési időközt követel. Fogadhat teljes forgatókönyvet vagy rendezett szövegszegmenseket, és a bemenet befejeztével lezárulhat. A gyártó az aktuális szintéziskör megszakítását is dokumentálja. Ezek a protokoll korlátai és viselkedései, nem általános generált időtartamkorlát. Hosszú narrációnál szervezd a forgatókönyvet összefüggő részekbe, és őrizd meg sorrendjüket és szövegüket a létrejött hang mellett, hogy a mű egységesen összeállítható és ellenőrizhető legyen.

Kiejtéshez a gyártó célnyelvi támpontokat, pinyin-jelöléseket és szövegcseréket biztosít a számjegyek, rövidítések, szimbólumok vagy szavak nem kívánt olvasatának kezelésére. Az SSML külön jelölőmód, támogatási feltételekkel: a Qwen dokumentációja klónozott hangokhoz támogatja nem streamelt vagy egyirányúan streamelt hívásoknál, bekapcsolva mindössze egy szövegbeküldéssel. Nem határoz meg SSML-t minden rendszerhanghoz vagy kétirányú streaminghez. Gyakorlati Plus-munkafolyamat kompatibilis hanggal és kész forgatókönyvvel indul, majd pontos előadásmódbeli és kiejtési választásokat ad a narrált szövegrészhez.