Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus converte il testo scritto in parlato espressivo, con l’edizione Plus focalizzata su qualità della sintesi, naturalezza e interpretazione vocale dettagliata. Qwen indica creazione di contenuti, audiolibri, doppiaggio cinematografico e video e produzione vocale professionale come applicazioni principali. Il profilo aggiornato descrive un supporto più ampio per lingue con poche risorse e dialetti cinesi, maggiore autenticità dialettale e controllo più forte di emozione, tono, personaggio, velocità di parlato, volume e stile. Il produttore segnala anche miglioramenti di chiarezza, risoluzione e robustezza in condizioni acustiche rumorose o riverberanti.

Plus è l’edizione di questa famiglia di sintesi vocale focalizzata sulla qualità; Flash è posizionata separatamente per l’interazione in tempo reale. Prepara una narrazione come copione parlato, identificando pubblico previsto, ritmo e direzione emotiva. Per un brano di audiolibro, un incarico illustrativo può usare articolazione chiara, ritmo misurato e calore contenuto; per una voce fuori campo video, può chiedere un’apertura seria seguita da una spiegazione più energica. Sono scelte di interpretazione delle parole fornite. Il modello è un sintetizzatore vocale, non un servizio di trascrizione né un generatore di una scena visiva completa.

Le voci di sistema ufficiali di Plus includono Long An Ling Xin, descritta come calda ed empatica, e Long An Lu Feng, descritta come brillante e allegra. Entrambe sono elencate per mandarino e inglese. Il produttore offre anche più di 500 voci base per questa edizione, con anteprime da valutare prima di sceglierne una. Raccomanda le voci di sistema per una sintesi più uniforme. Scegli una voce dall’elenco esatto di Plus e abbina la lingua del copione alle lingue supportate da quella voce; una voce di Flash non è intercambiabile soltanto perché appartiene alla stessa famiglia più ampia.

Il modello supporta la clonazione vocale basata su campioni. Le lingue documentate per le voci clonate includono cinese, inglese, giapponese, coreano, russo, francese, tedesco, portoghese, thailandese, indonesiano, vietnamita, spagnolo, italiano, malese, filippino e arabo. Le varianti cinesi includono mandarino, cantonese, Chongqing, nordorientale, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, shanghainese, Sichuan e Yunnan, con dialetti controllati tramite istruzioni. La tabella del produttore distingue la clonazione dalla creazione di una voce a partire da una descrizione testuale: Plus supporta la clonazione, ma non quella modalità separata di progettazione vocale.

Un riferimento adatto alla clonazione è parlato chiaro a velocità normale, senza musica, rumore di fondo, altri parlanti o canto. Il produttore raccomanda 10–20 secondi e consente fino a 60 secondi, in un file non superiore a 10 MB. I formati di riferimento sono WAV a 16 bit, MP3 e M4A, con una frequenza di campionamento minima di 16 kHz. Servono almeno cinque secondi continui di parlato chiaro e le altre pause dovrebbero durare al massimo due secondi. Per lo stereo viene elaborato solo il primo canale. L’identificativo vocale creato è vincolato a Plus e usato per la sintesi quando è pronto; riprodurre lo stesso riferimento tramite Flash richiede una voce Flash creata separatamente.

Le istruzioni in linguaggio naturale possono modellare tono, ritmo, emozione e timbro delle voci di sistema e clonate. Usa descrizioni udibili concrete anziché una vaga richiesta di una buona voce. I tag emotivi nel testo possono impostare uno stile nel copione e i tag di linguaggio espressivo possono inserire un effetto vocale nel punto scelto. Per esempio, [serious] cambia l’interpretazione successiva, mentre [sighing] inserisce un sospiro senza cambiare lo stile emotivo circostante. I tag di controllo valgono fino al tag di controllo successivo o alla segmentazione automatica delle frasi. Questa funzionalità basata su tag è documentata solo per lo streaming unidirezionale, quindi ha un ambito diverso dalle istruzioni usate con input testuale bidirezionale.

Le opzioni di output del produttore sono PCM, WAV, MP3 e Opus, con frequenze di campionamento elencate di 8.000, 16.000, 22.050, 24.000, 44.100 e 48.000 Hz. MP3 e 22.050 Hz sono i valori predefiniti documentati. Il volume si imposta da 0 a 100, e velocità e altezza tonale da 0,5 a 2,0; MP3 e Opus permettono anche un bitrate da 6 a 510 kbps. Scegli la rappresentazione necessaria per riproduzione o montaggio e mantieni gli stessi parametri tra le sezioni di un’opera più lunga. L’output in streaming include frame audio e metadati delle frasi, con timestamp delle parole disponibili per le voci idonee, comprese quelle clonate.

Il flusso documentato di input testuale WebSocket permette 20.000 caratteri per messaggio e 200.000 caratteri cumulativi e richiede un intervallo di invio non superiore a 23 secondi. Può ricevere un copione completo o segmenti testuali ordinati e terminare quando l’input è completo. Il produttore documenta anche l’annullamento del turno di sintesi corrente. Sono limiti e comportamenti di quel protocollo, non un limite universale alla durata generata. Per una narrazione lunga, organizza il copione in sezioni coerenti e conservane ordine e testo insieme all’audio risultante, così da assemblare e rivedere l’opera in modo uniforme.

Per la pronuncia, il produttore offre suggerimenti sulla lingua di destinazione, annotazioni pinyin e sostituzioni testuali per correggere letture indesiderate di cifre, abbreviazioni, simboli o parole. SSML è una modalità di markup separata con vincoli di idoneità: la documentazione Qwen la supporta per voci clonate in chiamate non in streaming o in streaming unidirezionale, con un solo invio di testo quando è abilitata. Non stabilisce il supporto SSML per ogni voce di sistema o per lo streaming bidirezionale. Un flusso Plus pratico parte da una voce compatibile e da un copione completo, poi aggiunge precise scelte di interpretazione e pronuncia per il brano narrato.