Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus zet geschreven tekst om in expressieve spraak. De Plus-editie richt zich op synthesekwaliteit, natuurlijkheid en gedetailleerde vocale voordracht. Qwen noemt contentcreatie, luisterboeken, film- en videonasynchronisatie en professionele spraakproductie als belangrijkste toepassingen. Het bijgewerkte profiel beschrijft bredere ondersteuning voor talen met weinig beschikbare taaldata en Chinese dialecten, authentiekere dialectweergave en sterkere controle over emotie, toon, karakter, spreektempo, volume en stijl. De ontwikkelaar rapporteert ook verbeterde helderheid, resolutie en robuustheid bij rumoerige of galmende akoestische omstandigheden.

Plus is de kwaliteitsgerichte editie van deze tekst-naar-spraakfamilie; Flash is afzonderlijk gepositioneerd voor realtime-interactie. Bereid een vertelling voor als gesproken script en benoem de beoogde doelgroep, het tempo en de emotionele richting. Voor een luisterboekpassage kan een voorbeeldopdracht om duidelijke articulatie, een afgemeten tempo en ingehouden warmte vragen; voor een videovoice-over om een ernstige opening gevolgd door een energiekere uitleg. Dit zijn voordrachtskeuzes voor aangeleverde woorden. Het model is een spraaksynthesizer, geen transcriptiedienst of generator van een volledige visuele scène.

De officiële systeemstemmen voor Plus omvatten Long An Ling Xin, omschreven als warm en empathisch, en Long An Lu Feng, omschreven als helder en opgewekt. Beide staan vermeld voor Mandarijn en Engels. De ontwikkelaar levert ook meer dan 500 basisstemmen voor deze editie, met luistervoorbeelden die u vóór de keuze kunt beoordelen. Voor consistentere synthese raadt hij systeemstemmen aan. Kies een stem uit de specifieke Plus-lijst en stem de scripttaal af op de talen die deze stem ondersteunt; een Flash-stem is niet uitwisselbaar alleen omdat die tot dezelfde bredere familie behoort.

Het model ondersteunt stemklonen op basis van een opname. De gedocumenteerde talen voor gekloonde stemmen zijn Chinees, Engels, Japans, Koreaans, Russisch, Frans, Duits, Portugees, Thai, Indonesisch, Vietnamees, Spaans, Italiaans, Maleis, Filipino en Arabisch. Chinese varianten omvatten Mandarijn, Kantonees, Chongqing, Noordoost-Chinees, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainees, Sichuan en Yunnan; dialecten worden via instructies gestuurd. De modeltabel van de ontwikkelaar onderscheidt klonen van het creëren van een stem via een tekstbeschrijving: Plus ondersteunt klonen, maar niet die afzonderlijke modus voor stemontwerp.

Een geschikte kloonreferentie bevat duidelijke spraak op normaal tempo, zonder muziek, achtergrondlawaai, andere sprekers of zang. De ontwikkelaar raadt 10–20 seconden aan en staat maximaal 60 seconden toe in een bestand van maximaal 10 MB. Referentieformaten zijn 16-bits WAV, MP3 en M4A, met een samplefrequentie van minimaal 16 kHz. Minstens vijf seconden aaneengesloten duidelijke spraak is vereist, en resterende pauzes horen niet langer dan twee seconden te duren. Bij stereo wordt alleen het eerste kanaal verwerkt. De aangemaakte stemidentificatie is aan Plus gekoppeld en wordt voor synthese gebruikt zodra die gereed is; dezelfde referentie via Flash reproduceren vereist een afzonderlijk aangemaakte Flash-stem.

Instructies in natuurlijke taal kunnen toon, tempo, emotie en timbre van zowel systeemstemmen als gekloonde stemmen sturen. Gebruik concrete hoorbare beschrijvingen in plaats van een vaag verzoek om een goede stem. Emotietags in de tekst kunnen een stijl in het script instellen, en tags voor vocale effecten kunnen op een gekozen plaats een effect invoegen. Zo verandert [serious] de daaropvolgende voordracht, terwijl [sighing] een zucht toevoegt zonder de omringende emotionele stijl te veranderen. Besturingstags gelden tot de volgende besturingstag of automatische zinssegmentatie. Deze tagfunctie is uitsluitend gedocumenteerd voor unidirectionele streaming en heeft dus een andere reikwijdte dan instructies bij bidirectionele tekstinvoer.

De uitvoeropties van de ontwikkelaar zijn PCM, WAV, MP3 en Opus, met de genoemde samplefrequenties van 8.000, 16.000, 22.050, 24.000, 44.100 en 48.000 Hz. MP3 en 22.050 Hz zijn de gedocumenteerde standaardwaarden. Het volume kan van 0 tot 100 worden ingesteld en tempo en toonhoogte van 0,5 tot 2,0; MP3 en Opus staan daarnaast een bitrate van 6 tot 510 kbps toe. Kies de representatie die nodig is voor afspelen of bewerken en houd die instellingen vervolgens gelijk over de onderdelen van een langer stuk. Streaminguitvoer bevat audioframes en zinsmetadata, met woordtijdstempels voor daarvoor geschikte stemmen, waaronder gekloonde stemmen.

De gedocumenteerde WebSocket-werkwijze voor tekstinvoer staat 20.000 tekens per bericht en in totaal 200.000 tekens toe, en vereist een indieningsinterval van maximaal 23 seconden. Zij kan een volledig script of geordende tekstsegmenten ontvangen en afronden wanneer de invoer compleet is. De ontwikkelaar documenteert ook het annuleren van de huidige synthesebeurt. Dit zijn limieten en gedragingen van dat protocol, geen universele maximumduur voor gegenereerde audio. Deel een lange vertelling op in samenhangende onderdelen en bewaar hun volgorde en tekst samen met de resulterende audio, zodat het stuk consistent samengesteld en beoordeeld kan worden.

Voor uitspraak biedt de ontwikkelaar hints voor de doeltaal, pinyinannotaties en tekstvervangingen om ongewenste uitspraak van cijfers, afkortingen, symbolen of woorden te corrigeren. SSML is een afzonderlijke markuptaalmodus met geschiktheidsvoorwaarden: de Qwen-documentatie ondersteunt die voor gekloonde stemmen bij aanroepen zonder streaming of met unidirectionele streaming, met slechts één tekstindiening als de modus is ingeschakeld. Zij legt geen SSML-ondersteuning vast voor elke systeemstem of voor bidirectionele streaming. Een praktische Plus-werkwijze begint met een compatibele stem en een afgewerkt script en voegt vervolgens precieze voordrachts- en uitspraakkeuzes voor de vertelde passage toe.