Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus menukar teks bertulis kepada pertuturan ekspresif, dengan edisi Plus memfokuskan kualiti sintesis, kesemulajadian dan penyampaian vokal terperinci. Qwen menamakan penciptaan kandungan, buku audio, alih suara filem dan video serta penghasilan pertuturan profesional sebagai aplikasi utama. Profil model yang dikemas kini menerangkan sokongan lebih luas untuk bahasa sumber rendah dan dialek Cina, ketulenan dialek yang lebih baik serta kawalan lebih kuat terhadap emosi, nada, watak, kadar pertuturan, kelantangan dan gaya. Pengeluar turut melaporkan peningkatan kejelasan, resolusi dan keteguhan dalam keadaan akustik bising atau bergema.

Plus ialah edisi yang berfokus pada kualiti dalam keluarga teks-ke-pertuturan ini; Flash diletakkan secara berasingan untuk interaksi masa nyata. Sediakan narasi sebagai skrip pertuturan, dengan khalayak sasaran, rentak dan arah emosi dikenal pasti. Untuk petikan buku audio, taklimat contoh mungkin meminta artikulasi jelas, rentak terkawal dan kemesraan sederhana; untuk suara latar video, ia mungkin meminta pembukaan serius diikuti penerangan yang lebih bertenaga. Ini ialah pilihan penyampaian untuk perkataan yang dibekalkan. Model ini ialah pensintesis pertuturan, bukannya perkhidmatan transkripsi atau penjana keseluruhan adegan visual.

Suara sistem rasmi untuk Plus termasuk Long An Ling Xin yang digambarkan sebagai mesra dan empatik, serta Long An Lu Feng yang digambarkan sebagai ceria dan riang. Kedua-duanya disenaraikan untuk Mandarin dan Inggeris. Pengeluar juga membekalkan lebih daripada 500 suara asas untuk edisi ini, dengan pratonton untuk dinilai sebelum memilih. Suara sistem disyorkan untuk sintesis yang lebih konsisten. Pilih suara daripada senarai Plus yang tepat dan padankan bahasa skrip dengan bahasa yang disokong suara itu; suara Flash tidak boleh saling menggantikan hanya kerana termasuk dalam keluarga yang sama secara lebih luas.

Model menyokong pengklonan suara berasaskan sampel. Bahasa suara klon yang didokumenkan termasuk Cina, Inggeris, Jepun, Korea, Rusia, Perancis, Jerman, Portugis, Thai, Indonesia, Vietnam, Sepanyol, Itali, Melayu, Filipino dan Arab. Varian Cina termasuk Mandarin, Kantonis, Chongqing, Timur Laut, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghai, Sichuan dan Yunnan, dengan dialek dikawal melalui arahan. Jadual model pengeluar membezakan pengklonan daripada penciptaan suara melalui penerangan teks: pengklonan disokong untuk Plus, manakala mod reka bentuk suara berasingan itu tidak disokong.

Rujukan pengklonan yang sesuai ialah pertuturan jelas pada kelajuan biasa, tanpa muzik, bunyi latar, pertuturan bertindih atau nyanyian. Pengeluar mengesyorkan 10–20 saat dan membenarkan sehingga 60 saat dalam fail tidak melebihi 10 MB. Format rujukan ialah WAV 16-bit, MP3 dan M4A dengan kadar pensampelan minimum 16 kHz. Sekurang-kurangnya lima saat pertuturan jelas yang berterusan diperlukan, dan jeda selebihnya disyorkan supaya tidak lebih panjang daripada dua saat. Untuk stereo, hanya saluran pertama diproses. Pengecam suara yang dicipta terikat kepada Plus dan digunakan untuk sintesis apabila sedia; menghasilkan semula rujukan sama melalui Flash memerlukan suara Flash yang dicipta secara berasingan.

Arahan bahasa semula jadi boleh membentuk nada, rentak, emosi dan warna suara bagi suara sistem serta suara klon. Gunakan penerangan bunyi yang konkrit, bukannya permintaan kabur untuk suara yang bagus. Tag emosi dalam teks boleh menetapkan gaya dalam skrip, manakala tag ekspresi vokal boleh menyisipkan kesan suara pada titik pilihan. Contohnya, [serious] mengubah penyampaian selepasnya, sementara [sighing] menyisipkan keluhan tanpa mengubah gaya emosi di sekelilingnya. Tag kawalan terpakai sehingga tag kawalan seterusnya atau pemisahan ayat automatik. Ciri berasaskan tag ini didokumenkan untuk penstriman sehala sahaja, jadi skopnya berbeza daripada arahan yang digunakan dengan input teks dua hala.

Pilihan output pengeluar ialah PCM, WAV, MP3 dan Opus pada kadar pensampelan yang disenaraikan: 8,000, 16,000, 22,050, 24,000, 44,100 dan 48,000 Hz. MP3 dan 22,050 Hz ialah nilai lalai yang didokumenkan. Kelantangan boleh ditetapkan dari 0 hingga 100, manakala kadar dan nada dari 0.5 hingga 2.0; MP3 dan Opus turut membenarkan kadar bit dari 6 hingga 510 kbps. Pilih bentuk yang diperlukan untuk main balik atau penyuntingan, kemudian kekalkan tetapan itu secara konsisten merentasi bahagian karya panjang. Output penstriman merangkumi bingkai audio dan metadata ayat, dengan cap masa perkataan tersedia untuk suara yang layak, termasuk suara klon.

Aliran input teks WebSocket yang didokumenkan membenarkan 20,000 aksara bagi setiap mesej dan 200,000 aksara secara terkumpul, serta memerlukan sela penghantaran tidak melebihi 23 saat. Aliran boleh menerima skrip lengkap atau segmen teks mengikut turutan dan tamat apabila input lengkap. Pengeluar juga mendokumenkan pembatalan giliran sintesis semasa. Ini ialah had dan tingkah laku protokol tersebut, bukannya had tempoh penjanaan yang universal. Untuk narasi panjang, susun skrip kepada bahagian yang padu dan simpan turutan serta teksnya bersama audio yang dihasilkan supaya karya boleh dipasang dan disemak secara konsisten.

Untuk sebutan, pengeluar menyediakan petunjuk bahasa sasaran, anotasi pinyin dan penggantian teks bagi menangani bacaan yang tidak diingini bagi digit, singkatan, simbol atau perkataan. SSML ialah mod penandaan berasingan dengan kekangan kelayakan: dokumentasi Qwen menyokongnya untuk suara klon dalam panggilan tanpa penstriman atau penstriman sehala, dengan hanya satu penghantaran teks apabila diaktifkan. Dokumentasi itu tidak menetapkan SSML untuk setiap suara sistem atau penstriman dua hala. Aliran kerja Plus yang praktikal bermula dengan suara yang serasi dan skrip siap, kemudian menambah pilihan penyampaian serta sebutan yang tepat untuk petikan yang dinarasikan.