Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash mengubah naskah yang diberikan menjadi ucapan, dengan edisi Flash yang berfokus pada interaksi waktu nyata. Qwen menyebut asisten suara, dialog interaktif, dan layanan pelanggan cerdas sebagai aplikasi utamanya. Dibandingkan versi sebelumnya, produsen menjelaskan dukungan yang lebih luas untuk bahasa bersumber daya rendah dan dialek Tionghoa, ekspresi dialek yang lebih autentik, serta kendali yang lebih kuat atas emosi, nada, karakter, kecepatan, volume, dan gaya bicara. Produsen juga melaporkan peningkatan kejernihan dan ketahanan dalam kondisi akustik yang bising atau bergema. Ini adalah sintesis teks-ke-audio, bukan pengenalan ucapan yang masuk atau model dialog suara.

Flash memprioritaskan dimulainya ucapan dalam percakapan interaktif. Qwen melaporkan latensi paket pertama dalam 200 milidetik untuk sintesis waktu nyata model ini; panduan penggunaannya juga mencatat bahwa penyiapan koneksi awal ikut menambah jeda terukur pada pengiriman pertama. Siapkan kata-kata yang benar-benar akan diucapkan secara terpisah dari cara penyampaian yang diinginkan. Untuk respons asisten suara, contoh arahan dapat memadukan jawaban singkat dengan instruksi penyampaian yang tenang dan jelas. Hasil yang relevan adalah ucapan yang dihasilkan untuk teks tersebut, sementara aplikasi menangani pemutaran dan percakapan di sekitarnya.

Daftar suara sistem dari produsen mencakup pilihan khusus model, seperti Long An Feng Yue untuk penyampaian yang alami dan ramah, serta Long An Xiao Xin untuk penyampaian yang ramah dan ceria; keduanya tercantum untuk bahasa Mandarin dan Inggris. Daftar tersebut juga mencakup suara bahasa Inggris seperti loongmary dengan aksen Britania dan loongjohn dengan aksen Amerika yang tenang dan ramah. Setiap model juga memiliki lebih dari 500 suara dasar. Qwen menyarankan memulai dengan suara sistem demi konsistensi dan menilai pratinjau saat memilih suara dasar. Suara harus berasal dari model yang dipilih, dan naskah harus menggunakan bahasa yang didukung suara tersebut.

Suara kloning memperluas cakupan bahasa yang didokumentasikan menjadi bahasa Tionghoa, Inggris, Jepang, Korea, Rusia, Prancis, Jerman, Portugis, Thai, Indonesia, Vietnam, Spanyol, Italia, Melayu, Filipino, dan Arab. Cakupan bahasa Tionghoa meliputi Mandarin, Kanton, Chongqing, Timur Laut, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghai, Sichuan, dan Yunnan, dengan pemilihan dialek melalui instruksi. Tabel model mendukung kloning suara berbasis sampel dan membedakannya dari pembuatan suara baru hanya dari deskripsi teks, yang tidak didukung edisi ini.

Untuk kloning, produsen menyarankan rekaman berdurasi 10–20 detik, dengan batas maksimum 60 detik dan ukuran berkas tidak lebih dari 10 MB. Format referensi yang didukung adalah WAV 16-bit, MP3, dan M4A, dengan laju sampel minimal 16 kHz. Rekaman harus memuat setidaknya lima detik ucapan yang jelas dan berkesinambungan; jeda lainnya sebaiknya tidak lebih dari dua detik. Hindari suara latar, suara orang lain, dan nyanyian. Stereo diterima, tetapi hanya kanal pertama yang diproses. Alur kerja kloning mengembalikan pengenal suara yang terikat pada model target yang tepat, dan sintesis menggunakan pengenal itu setelah suara siap. Rekaman yang sama memerlukan suara kloning terpisah untuk Flash dan Plus.

Instruksi bahasa alami mengendalikan penyampaian untuk suara sistem maupun suara kloning. Jelaskan kualitas yang dapat didengar, seperti nada lembut, artikulasi yang jelas, atau tempo yang sedikit lebih lambat. Tag sebaris memberikan kendali yang berbeda: [empathetic] atau [serious] menetapkan gaya untuk teks berikutnya, sedangkan [laughing] atau [sighing] menyisipkan efek vokal pada posisi tertentu. Tag kendali berlaku hingga tag kendali lain atau segmentasi kalimat otomatis. Tag emosi dan ekspresi bahasa yang kaya ini hanya didokumentasikan untuk streaming satu arah, bukan mode masukan teks dua arah. Siapkan kalimat ekspresif dalam mode yang sesuai dengan kendali tersebut.

Antarmuka ucapan produsen mendukung PCM, WAV, MP3, dan Opus. Laju sampel yang tercantum adalah 8.000, 16.000, 22.050, 24.000, 44.100, dan 48.000 Hz, dengan MP3 dan 22.050 Hz sebagai nilai bawaan. Volume berkisar dari 0 hingga 100; laju bicara dan tinggi nada masing-masing berkisar dari 0,5 hingga 2,0. MP3 dan Opus juga menyediakan pengaturan bitrate dari 6 hingga 510 kbps. Pilih format dan laju sampel yang sesuai dengan pemutar atau alur pemrosesan yang dituju. Untuk aplikasi interaktif, produsen mendokumentasikan bingkai audio streaming dan metadata kalimat, dengan stempel waktu tingkat kata yang tersedia pada keluaran streaming untuk suara yang memenuhi syarat, termasuk suara kloning.

Protokol teks WebSocket yang didokumentasikan menerima hingga 20.000 karakter dalam satu pesan teks dan total 200.000 karakter dalam satu tugas, dengan jeda antar-pengiriman tidak lebih dari 23 detik. Ini adalah batas protokol produsen, terpisah dari batas durasi keluaran model yang berlaku secara universal. Protokol ini mendukung pembatalan giliran sintesis saat ini dan tugas berikutnya pada koneksi yang sama. Pertahankan segmen teks dalam urutan pengucapan yang dimaksud dan akhiri masukan setelah naskah lengkap. Untuk persiapan pelafalan, produsen mendokumentasikan petunjuk bahasa target, anotasi pinyin, dan penggantian teks, yang berguna saat angka, singkatan, atau simbol diucapkan secara tidak terduga.

SSML adalah pilihan markup terpisah dengan ketentuan suara dan mode interaksi: Qwen mendokumentasikannya untuk suara kloning, dengan panggilan non-streaming atau streaming satu arah, dan satu kali pengiriman teks ketika SSML diaktifkan. Dukungan ini tidak boleh diasumsikan tersedia untuk setiap suara preset atau streaming dua arah. Untuk dialog biasa, mulailah dengan suara yang kompatibel, naskah ucapan yang bersih, dan instruksi penyampaian yang spesifik; tambahkan kendali pelafalan atau ekspresi yang terarah jika tugas memerlukannya. Dengan begitu, profil Flash tetap berpusat pada ucapan responsif dari teks yang telah disiapkan, bukan pada kemampuan model audio Qwen lainnya.