Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash menukar skrip yang diberikan kepada pertuturan, dengan edisi Flash berfokus pada interaksi masa nyata. Qwen menyenaraikan pembantu suara, dialog interaktif dan khidmat pelanggan pintar sebagai aplikasi utamanya. Berbanding versi sebelumnya, pengeluar menerangkan sokongan yang lebih luas untuk bahasa yang mempunyai sumber terhad dan dialek Cina, penyampaian dialek yang lebih autentik serta kawalan yang lebih kuat terhadap emosi, nada, watak, kelajuan, kelantangan dan gaya pertuturan. Ia juga melaporkan kejelasan dan keteguhan yang lebih baik dalam keadaan akustik yang bising atau bergema. Ini ialah sintesis teks-ke-audio, bukannya pengecaman pertuturan masuk atau model dialog suara.

Flash mengutamakan permulaan pertuturan dalam pertukaran interaktif. Qwen melaporkan latensi hingga paket pertama tidak melebihi 200 milisaat untuk sintesis masa nyata model ini; panduan penggunaannya turut menyatakan bahawa penyediaan sambungan awal menyumbang kepada kelewatan yang diukur bagi penghantaran pertama. Sediakan perkataan sebenar yang akan dituturkan secara berasingan daripada cara penyampaian yang dikehendaki. Untuk respons pembantu suara, contoh arahan boleh menggabungkan jawapan ringkas dengan arahan penyampaian yang tenang dan jelas. Hasil yang berkaitan ialah pertuturan yang dijana untuk teks tersebut, dengan aplikasi mengendalikan main balik dan perbualan yang mengiringinya.

Senarai suara sistem pengeluar merangkumi pilihan khusus model seperti Long An Feng Yue untuk penyampaian yang semula jadi dan mesra serta Long An Xiao Xin untuk penyampaian yang mesra dan ceria, kedua-duanya disenaraikan untuk Mandarin dan Inggeris. Senarai itu juga merangkumi suara Inggeris seperti loongmary dengan loghat British dan loongjohn dengan loghat Amerika yang tenang dan mesra. Setiap model turut mempunyai lebih daripada 500 suara asas. Qwen mengesyorkan bermula dengan suara sistem untuk kekonsistenan dan menilai pratonton semasa memilih suara asas. Suara mesti tergolong dalam model yang dipilih, dan skrip mesti menggunakan bahasa yang disokong oleh suara tersebut.

Suara klon meluaskan rangkaian bahasa yang didokumenkan kepada bahasa Cina, Inggeris, Jepun, Korea, Rusia, Perancis, Jerman, Portugis, Thai, Indonesia, Vietnam, Sepanyol, Itali, Melayu, Filipino dan Arab. Liputan bahasa Cina merangkumi varieti Mandarin, Kantonis, Chongqing, Timur Laut China, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghai, Sichuan dan Yunnan, dengan pemilihan dialek melalui arahan. Jadual model menyokong pengklonan suara berasaskan sampel dan membezakannya daripada penciptaan suara baharu semata-mata daripada penerangan teks, yang tidak disokong oleh edisi ini.

Untuk pengklonan, pengeluar mengesyorkan rakaman sepanjang 10–20 saat, dengan tempoh maksimum 60 saat dan saiz fail tidak melebihi 10 MB. Format rujukan yang disokong ialah WAV 16-bit, MP3 dan M4A, pada kadar pensampelan sekurang-kurangnya 16 kHz. Rakaman memerlukan sekurang-kurangnya lima saat pertuturan yang jelas dan berterusan; jeda lain sepatutnya tidak melebihi dua saat. Elakkan bunyi latar, suara lain dan nyanyian. Stereo diterima, tetapi hanya saluran pertama diproses. Aliran kerja pengklonan mengembalikan pengecam suara yang terikat pada model sasaran yang tepat, dan sintesis menggunakan pengecam itu setelah suara sedia digunakan. Rakaman yang sama memerlukan suara klon yang berasingan untuk Flash dan Plus.

Arahan bahasa semula jadi mengawal penyampaian bagi suara sistem dan suara klon. Terangkan ciri yang boleh didengar seperti nada lembut, artikulasi yang jelas atau tempo yang sedikit lebih perlahan. Tag sebaris menyediakan kawalan yang berbeza: [empathetic] atau [serious] menetapkan gaya untuk teks berikutnya, manakala [laughing] atau [sighing] menyisipkan kesan suara pada kedudukan tertentu. Tag kawalan kekal berkuat kuasa sehingga muncul tag kawalan lain atau berlaku segmentasi ayat secara automatik. Tag emosi dan bahasa ekspresif ini didokumenkan hanya untuk penstriman sehala, bukannya mod input teks dua hala. Sediakan baris yang ekspresif dalam mod yang sesuai dengan kawalan tersebut.

Antara muka pertuturan pengeluar menyokong PCM, WAV, MP3 dan Opus. Kadar pensampelan yang disenaraikan ialah 8,000, 16,000, 22,050, 24,000, 44,100 dan 48,000 Hz, dengan MP3 dan 22,050 Hz sebagai tetapan lalai. Kelantangan berjulat dari 0 hingga 100; kadar pertuturan dan pic masing-masing berjulat dari 0.5 hingga 2.0. MP3 dan Opus turut menyediakan tetapan kadar bit dari 6 hingga 510 kbps. Pilih format dan kadar pensampelan yang sepadan dengan pemain atau aliran kerja pemprosesan yang dimaksudkan. Untuk aplikasi interaktif, pengeluar mendokumenkan bingkai audio penstriman dan metadata ayat, dengan cap masa pada peringkat perkataan tersedia dalam output penstriman untuk suara yang layak, termasuk suara klon.

Protokol teks WebSocket yang didokumenkan menerima sehingga 20,000 aksara dalam satu mesej teks dan 200,000 aksara secara terkumpul dalam satu tugasan, dengan sela antara penghantaran tidak melebihi 23 saat. Ini ialah had protokol pengeluar, berasingan daripada had tempoh output model yang universal. Ia menyokong pembatalan giliran sintesis semasa dan tugasan seterusnya pada sambungan yang sama. Kekalkan segmen teks mengikut urutan pertuturan yang dimaksudkan dan tamatkan input apabila skrip lengkap. Untuk persediaan sebutan, pengeluar mendokumenkan petunjuk bahasa sasaran, anotasi pinyin dan penggantian teks, yang berguna apabila digit, singkatan atau simbol disebut secara tidak dijangka.

SSML ialah pilihan penandaan berasingan dengan syarat berkaitan suara dan mod interaksi: Qwen mendokumenkannya untuk suara klon, dengan panggilan tanpa penstriman atau penstriman sehala, serta satu penghantaran teks apabila SSML diaktifkan. Ia tidak sepatutnya dianggap tersedia untuk setiap suara pratetap atau strim dua hala. Untuk dialog biasa, mulakan dengan suara yang serasi, skrip pertuturan yang bersih dan arahan penyampaian yang khusus; tambah kawalan sebutan atau ekspresi yang terarah apabila diperlukan oleh tugasan. Ini memastikan profil Flash kekal berpusat pada pertuturan responsif daripada teks yang disediakan, bukannya pada keupayaan model audio Qwen yang lain.