Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash converte in parlato un testo fornito, con l’edizione Flash orientata all’interazione in tempo reale. Qwen ne indica come applicazioni principali gli assistenti vocali, il dialogo interattivo e il servizio clienti intelligente. Rispetto alla versione precedente, il produttore descrive un supporto più ampio per le lingue con poche risorse e i dialetti cinesi, un’espressione dialettale più autentica e un maggiore controllo su emozione, tono, carattere, velocità, volume e stile del parlato. Segnala inoltre una migliore chiarezza e robustezza in condizioni acustiche rumorose o riverberanti. Si tratta di sintesi da testo ad audio, non di riconoscimento del parlato in ingresso né di un modello di dialogo vocale.

Flash dà priorità all’avvio del parlato in uno scambio interattivo. Qwen riporta una latenza del primo pacchetto entro 200 millisecondi per la sintesi in tempo reale di questo modello; la guida d’uso precisa anche che l’instaurazione iniziale della connessione contribuisce al ritardo misurato per il primo invio. Prepara le parole effettive da pronunciare separatamente dalla resa desiderata. Per la risposta di un assistente vocale, un esempio di brief potrebbe unire una risposta concisa a un’istruzione per pronunciarla in modo calmo e chiaro. Il risultato pertinente è il parlato generato per quel testo; l’applicazione gestisce la riproduzione e il resto della conversazione.

L’elenco delle voci di sistema del produttore comprende opzioni specifiche del modello, come Long An Feng Yue per una resa naturale e amichevole e Long An Xiao Xin per una resa amichevole e vivace, entrambe indicate per mandarino e inglese. Comprende anche voci inglesi come loongmary con accento britannico e loongjohn con accento americano calmo e amichevole. Ogni modello dispone inoltre di oltre 500 voci di base. Qwen consiglia di iniziare con le voci di sistema per ottenere coerenza e di valutare le anteprime quando si sceglie una voce di base. Una voce deve appartenere al modello selezionato e il testo deve essere in una lingua supportata da quella voce.

Le voci clonate ampliano l’insieme documentato delle lingue a cinese, inglese, giapponese, coreano, russo, francese, tedesco, portoghese, thailandese, indonesiano, vietnamita, spagnolo, italiano, malese, filippino e arabo. La copertura del cinese comprende mandarino, cantonese e le varietà di Chongqing, della Cina nordorientale, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghai, Sichuan e Yunnan, con selezione del dialetto tramite istruzioni. La tabella dei modelli indica il supporto per la clonazione vocale basata su un campione e la distingue dalla creazione di una nuova voce esclusivamente tramite una descrizione testuale, che questa edizione non supporta.

Per la clonazione, il produttore consiglia una registrazione di 10–20 secondi, con un massimo di 60 secondi e dimensioni del file non superiori a 10 MB. I formati di riferimento supportati sono WAV a 16 bit, MP3 e M4A, con una frequenza di campionamento di almeno 16 kHz. La registrazione deve contenere almeno cinque secondi di parlato continuo e chiaro; le altre pause non devono superare i due secondi. Evita suoni di sottofondo, altre voci e canto. È accettato l’audio stereo, ma viene elaborato soltanto il primo canale. Il flusso di clonazione restituisce un identificatore vocale legato all’esatto modello di destinazione, e la sintesi usa tale identificatore quando la voce è pronta. La stessa registrazione richiede voci clonate separate per Flash e Plus.

Le istruzioni in linguaggio naturale controllano la resa sia delle voci di sistema sia di quelle clonate. Descrivi qualità udibili, come un tono delicato, un’articolazione chiara o un ritmo leggermente più lento. I tag inseriti nel testo offrono un controllo diverso: [empathetic] o [serious] imposta uno stile per il testo successivo, mentre [laughing] o [sighing] inserisce un effetto vocale in una posizione specifica. Un tag di controllo resta attivo fino a un altro tag di controllo o alla segmentazione automatica delle frasi. Questi tag emotivi e di espressività vocale sono documentati soltanto per lo streaming unidirezionale, non per la modalità di input testuale bidirezionale. Prepara una battuta espressiva nella modalità adatta a questi controlli.

L’interfaccia vocale del produttore supporta PCM, WAV, MP3 e Opus. Le frequenze di campionamento elencate sono 8.000, 16.000, 22.050, 24.000, 44.100 e 48.000 Hz, con MP3 e 22.050 Hz come valori predefiniti. Il volume va da 0 a 100; la velocità del parlato e l’altezza della voce vanno ciascuna da 0,5 a 2,0. MP3 e Opus espongono anche un’impostazione del bitrate da 6 a 510 kbps. Scegli formato e frequenza di campionamento in base al lettore o al flusso di elaborazione previsto. Per un’applicazione interattiva, il produttore documenta frame audio in streaming e metadati delle frasi, con marcature temporali a livello di parola disponibili nell’output in streaming per le voci idonee, comprese quelle clonate.

Il protocollo testuale WebSocket documentato accetta fino a 20.000 caratteri in un singolo messaggio e 200.000 caratteri complessivi in un’attività, con non più di 23 secondi tra un invio e l’altro. Sono limiti del protocollo del produttore, distinti da un limite universale alla durata dell’output del modello. Il protocollo supporta l’annullamento del turno di sintesi corrente e un’attività successiva sulla stessa connessione. Mantieni i segmenti di testo nell’ordine previsto per il parlato e termina l’input quando il testo è completo. Per preparare la pronuncia, il produttore documenta suggerimenti sulla lingua di destinazione, annotazioni pinyin e sostituzioni testuali, utili quando cifre, abbreviazioni o simboli vengono pronunciati in modo inatteso.

SSML è un’opzione di marcatura separata, soggetta a condizioni sulla voce e sulla modalità di interazione: Qwen lo documenta per le voci clonate, con chiamate senza streaming o in streaming unidirezionale e un solo invio di testo quando SSML è abilitato. Non va dato per supportato da ogni voce predefinita o flusso bidirezionale. Per un dialogo ordinario, inizia con una voce compatibile, un testo pulito da pronunciare e un’istruzione precisa sulla resa; aggiungi controlli mirati di pronuncia o espressività dove richiesto dal compito. Così il profilo Flash resta incentrato su un parlato reattivo a partire da testo preparato, anziché sulle capacità di altri modelli audio Qwen.