Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus mengubah teks tertulis menjadi ucapan ekspresif, dengan edisi Plus berfokus pada kualitas sintesis, kealamian, dan penyampaian vokal terperinci. Qwen menyebut pembuatan konten, buku audio, sulih suara film dan video, serta produksi ucapan profesional sebagai aplikasi utamanya. Profil model yang diperbarui menjelaskan dukungan lebih luas untuk bahasa dengan sumber daya terbatas dan dialek Tionghoa, peningkatan keaslian dialek, serta kontrol lebih kuat terhadap emosi, nada, karakter, kecepatan berbicara, volume, dan gaya. Pengembang juga melaporkan peningkatan kejernihan, resolusi, dan ketangguhan dalam kondisi akustik bising atau bergema.

Plus adalah edisi yang berfokus pada kualitas dalam keluarga teks-ke-ucapan ini; Flash diposisikan secara terpisah untuk interaksi waktu nyata. Siapkan narasi sebagai naskah lisan, dengan audiens sasaran, tempo, dan arah emosi yang ditentukan. Untuk bagian buku audio, contoh arahan dapat meminta artikulasi jelas, tempo terukur, dan kehangatan yang terkendali; untuk suara latar video, arahan dapat meminta pembukaan serius diikuti penjelasan lebih bersemangat. Ini adalah pilihan penyampaian untuk kata-kata yang diberikan. Model ini merupakan penyintesis ucapan, bukan layanan transkripsi atau generator seluruh adegan visual.

Suara sistem resmi untuk Plus mencakup Long An Ling Xin, yang digambarkan hangat dan empatik, serta Long An Lu Feng, yang digambarkan cerah dan ceria. Keduanya tercantum untuk Mandarin dan Inggris. Pengembang juga menyediakan lebih dari 500 suara dasar untuk edisi ini, dengan pratinjau untuk dinilai sebelum memilih. Suara sistem disarankan untuk sintesis lebih konsisten. Pilih suara dari daftar Plus yang tepat dan cocokkan bahasa naskah dengan bahasa yang didukung suara tersebut; suara Flash tidak dapat dipertukarkan hanya karena termasuk dalam keluarga besar yang sama.

Model mendukung kloning suara berbasis sampel. Bahasa suara klon yang didokumentasikan mencakup Tionghoa, Inggris, Jepang, Korea, Rusia, Prancis, Jerman, Portugis, Thai, Indonesia, Vietnam, Spanyol, Italia, Melayu, Filipino, dan Arab. Varian 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 dialek dikontrol melalui instruksi. Tabel model pengembang membedakan kloning dari pembuatan suara melalui deskripsi teks: kloning didukung untuk Plus, sedangkan mode desain suara yang terpisah itu tidak didukung.

Referensi kloning yang sesuai adalah ucapan jelas dengan kecepatan normal, tanpa musik, kebisingan latar, pembicara yang saling menimpa, atau nyanyian. Pengembang menyarankan 10–20 detik dan mengizinkan hingga 60 detik, dalam berkas tidak lebih besar dari 10 MB. Format referensi adalah WAV 16-bit, MP3, dan M4A, dengan laju sampel minimum 16 kHz. Diperlukan setidaknya lima detik ucapan jelas yang berkesinambungan, dan jeda lainnya sebaiknya tidak lebih lama dari dua detik. Untuk stereo, hanya kanal pertama yang diproses. Pengenal suara yang dibuat terikat pada Plus dan digunakan untuk sintesis ketika siap; mereproduksi referensi yang sama melalui Flash membutuhkan suara Flash yang dibuat secara terpisah.

Instruksi bahasa alami dapat membentuk nada, tempo, emosi, dan warna suara, baik suara sistem maupun klon. Gunakan deskripsi bunyi yang konkret, bukan permintaan samar untuk suara yang bagus. Tag emosi di dalam teks dapat menetapkan gaya dalam naskah, sedangkan tag ekspresi vokal dapat menyisipkan efek suara pada titik yang dipilih. Misalnya, [serious] mengubah penyampaian berikutnya, sedangkan [sighing] menyisipkan desahan tanpa mengubah gaya emosi di sekitarnya. Tag kontrol berlaku hingga tag kontrol berikutnya atau segmentasi kalimat otomatis. Fitur berbasis tag ini didokumentasikan untuk streaming satu arah saja, sehingga cakupannya berbeda dari instruksi yang digunakan dengan masukan teks dua arah.

Pilihan keluaran pengembang adalah PCM, WAV, MP3, dan Opus, dengan laju sampel yang tercantum yaitu 8.000, 16.000, 22.050, 24.000, 44.100, dan 48.000 Hz. MP3 dan 22.050 Hz adalah pengaturan bawaan yang didokumentasikan. Volume dapat diatur dari 0 hingga 100, sedangkan kecepatan dan tinggi nada dari 0,5 hingga 2,0; MP3 dan Opus juga mengizinkan bitrate dari 6 hingga 510 kbps. Pilih representasi yang dibutuhkan untuk pemutaran atau penyuntingan, lalu pertahankan pengaturan tersebut secara konsisten di seluruh bagian karya yang lebih panjang. Keluaran streaming mencakup bingkai audio dan metadata kalimat, dengan penanda waktu kata tersedia untuk suara yang memenuhi syarat, termasuk suara klon.

Alur masukan teks WebSocket yang didokumentasikan mengizinkan 20.000 karakter per pesan dan total 200.000 karakter, serta mensyaratkan interval pengiriman tidak lebih dari 23 detik. Alur ini dapat menerima naskah lengkap atau segmen teks berurutan dan selesai ketika masukan lengkap. Pengembang juga mendokumentasikan pembatalan giliran sintesis saat ini. Ini adalah batas dan perilaku protokol tersebut, bukan batas durasi generasi yang universal. Untuk narasi panjang, susun naskah menjadi bagian yang koheren dan simpan urutan serta teksnya bersama audio yang dihasilkan agar karya dapat dirangkai dan ditinjau secara konsisten.

Untuk pelafalan, pengembang menyediakan petunjuk bahasa sasaran, anotasi pinyin, dan penggantian teks untuk menangani pembacaan yang tidak diinginkan pada digit, singkatan, simbol, atau kata. SSML adalah mode markup terpisah dengan batasan kelayakan: dokumentasi Qwen mendukungnya untuk suara klon dalam pemanggilan non-streaming atau streaming satu arah, dengan hanya satu pengiriman teks ketika diaktifkan. Dokumentasi tersebut tidak menetapkan SSML untuk setiap suara sistem atau streaming dua arah. Alur kerja Plus yang praktis dimulai dengan suara kompatibel dan naskah selesai, lalu menambahkan pilihan penyampaian dan pelafalan yang tepat untuk bagian yang dinarasikan.