Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plusは、文章を表現力のある話し声に変換します。Plus版は、合成品質、自然さ、細かな声の表現を重視しています。Qwenは、コンテンツ制作、オーディオブック、映画や動画の吹き替え、業務用の音声制作を主な用途として挙げています。更新されたモデルのプロファイルは、低資源言語と中国語方言へのより広い対応、方言らしさの改善、感情、トーン、キャラクター、話す速さ、音量、スタイルのより強い制御を説明しています。開発元は、雑音や残響のある音響条件での明瞭さ、解像度、堅牢性の改善も報告しています。

Plusはこの音声合成系列の品質重視版で、Flashはリアルタイムのやり取り向けに別途位置付けられています。ナレーションは、対象の聴衆、速さ、感情の方向を指定した、話し言葉の台本として準備してください。オーディオブックの一節なら、明確な発音、落ち着いた速さ、控えめな温かさを依頼例にできます。動画のナレーションなら、真剣な導入の後に、より活気のある説明を求められます。これらは提示した言葉の話し方の選択です。モデルは音声合成器であり、文字起こしサービスや、完成した視覚的な場面を生成するものではありません。

Plusの公式システム音声には、温かく共感的と説明されるLong An Ling Xinと、明るく快活と説明されるLong An Lu Fengがあります。どちらも標準中国語と英語に対応すると記載されています。開発元は、この版に500を超える基本音声も提供し、選ぶ前に確認できるプレビューを用意しています。より一貫した合成のために、システム音声を推奨しています。正確なPlusの一覧から音声を選び、台本の言語をその音声の対応言語に合わせてください。Flashの音声は、同じ広い系列に属するというだけで交換可能にはなりません。

モデルは、サンプルに基づく音声クローンに対応します。文書化されたクローン音声の言語には、中国語、英語、日本語、韓国語、ロシア語、フランス語、ドイツ語、ポルトガル語、タイ語、インドネシア語、ベトナム語、スペイン語、イタリア語、マレー語、フィリピノ語、アラビア語があります。中国語の変種には、標準中国語、広東語、重慶、東北、甘粛、貴州、浙江、河北、河南、湖北、湖南、江西、寧波、寧夏、青島、陝西、山西、山東、上海、四川、雲南が含まれ、方言は指示で制御します。開発元のモデル表は、音声クローンと文章の説明からの音声作成を区別しています。Plusはクローンに対応しますが、別の音声デザインモードには対応しません。

クローン用の適切な参考音声は、通常の速さで明瞭に話したもので、音楽、背景雑音、別の話者の声、歌声を含めません。開発元は10–20秒を推奨し、最大60秒までを許容します。ファイルは10 MB以下にしてください。参考音声の形式は16ビットWAV、MP3、M4Aで、最低サンプルレートは16 kHzです。少なくとも5秒の連続した明瞭な発話が必要で、それ以外の間は2秒以下にすることが推奨されます。ステレオでは最初のチャンネルだけを処理します。作成された音声識別子はPlusにひも付き、準備が整うと合成に使います。同じ参考音声をFlashで再現するには、Flash用の音声を別途作成する必要があります。

自然言語の指示により、システム音声とクローン音声の両方で、トーン、速さ、感情、声質を調整できます。良い声という曖昧な依頼ではなく、耳で分かる具体的な説明を使ってください。台本内の感情タグはスタイルを設定し、豊かな発声表現のタグは指定した箇所に声の効果を挿入できます。例えば[serious]は後続の話し方を変え、[sighing]は周囲の感情的なスタイルを変えずにため息を挿入します。制御タグは、次の制御タグまたは自動的な文分割まで適用されます。このタグ機能は単方向ストリーミングだけに文書化されており、双方向のテキスト入力で使う指示とは適用範囲が異なります。

開発元の出力形式はPCM、WAV、MP3、Opusで、記載されたサンプルレートは8,000、16,000、22,050、24,000、44,100、48,000 Hzです。文書上の既定値はMP3と22,050 Hzです。音量は0から100、速さとピッチは0.5から2.0に設定でき、MP3とOpusではさらに6から510 kbpsのビットレートを指定できます。再生や編集に必要な表現形式を選び、長い作品では各節でその設定を統一してください。ストリーミング出力には音声フレームと文のメタデータが含まれ、クローン音声を含む対象音声では単語のタイムスタンプも利用できます。

文書化されたWebSocketのテキスト入力フローでは、メッセージ当たり20,000文字、累計200,000文字を許容し、送信間隔は23秒以下でなければなりません。完成した台本または順序付きのテキスト区分を受け取り、入力が完了すると終了できます。開発元は、現在の合成ターンの取り消しも文書化しています。これらは、そのプロトコルの制限と動作であり、生成音声の長さに共通する上限ではありません。長いナレーションでは台本を意味の通る節に分け、生成された音声とともに節の順序とテキストを保持して、一貫した組み立てと確認ができるようにします。

発音について、開発元は、数字、略語、記号、単語が意図しない読み方になるのを防ぐために、対象言語のヒント、ピンイン注記、テキスト置換を提供します。SSMLは、利用条件のある別のマークアップモードです。Qwenの資料は、非ストリーミングまたは単方向ストリーミングの呼び出しで、クローン音声にSSMLを提供し、有効時は一度だけテキストを送信できるとしています。すべてのシステム音声や双方向ストリーミングでのSSMLを裏付けるものではありません。実用的なPlusのフローは、対応する音声と完成した台本から始め、読み上げる箇所に合わせて正確な話し方と発音を加えます。