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 stemexpressie. Qwen noemt contentcreatie, luisterboeken, het nasynchroniseren van film en video en professionele spraakproductie als belangrijkste toepassingen. Het bijgewerkte modelprofiel beschrijft bredere ondersteuning voor talen met weinig beschikbare taalgegevens en Chinese dialecten, authentiekere dialectweergave en sterkere controle over emotie, toon, personage, spreeksnelheid, volume en stijl. De producent meldt ook betere helderheid, resolutie en robuustheid bij akoestische omstandigheden met ruis of galm.

Plus is de kwaliteitsgerichte editie van deze tekst-naar-spraakfamilie; Flash is afzonderlijk gepositioneerd voor interactie in realtime. Bereid een vertelling voor als een script dat wordt uitgesproken en geef het bedoelde publiek, tempo en de emotionele richting aan. Een voorbeeldopdracht voor een luisterboekpassage kan vragen om heldere articulatie, een gematigd tempo en ingetogen warmte; bij een video-voice-over om een serieuze opening met daarna een energiekere uitleg. Dit zijn keuzes voor de voordracht van aangeleverde woorden. Het model is een spraaksynthesizer, geen transcriptiedienst of generator van een complete visuele scène.

De officiële systeemstemmen voor Plus omvatten Long An Ling Xin, beschreven als warm en empathisch, en Long An Lu Feng, beschreven als helder en opgewekt. Beide staan vermeld voor Mandarijn en Engels. De producent levert voor deze editie ook meer dan 500 basisstemmen, met voorbeelden die je voor de keuze kunt beluisteren. Hij beveelt systeemstemmen aan voor consistentere synthese. Kies een stem uit de exacte Plus-lijst en stem de scripttaal af op de talen die deze stem ondersteunt; een Flash-stem is niet uitwisselbaar alleen omdat deze bij dezelfde bredere familie hoort.

Het model ondersteunt stemklonen op basis van een voorbeeld. De gedocumenteerde talen voor gekloonde stemmen zijn Chinees, Engels, Japans, Koreaans, Russisch, Frans, Duits, Portugees, Thai, Indonesisch, Vietnamees, Spaans, Italiaans, Maleis, Filipijns 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 producent onderscheidt klonen van het maken van een stem op basis van een tekstbeschrijving: klonen wordt voor Plus ondersteund, maar die aparte modus voor stemontwerp niet.

Een geschikte kloonreferentie bevat heldere spraak op normale snelheid, zonder muziek, achtergrondgeluid, andere gelijktijdige sprekers of zang. De producent beveelt 10–20 seconden aan en staat maximaal 60 seconden toe, in een bestand van hoogstens 10 MB. Referentieformaten zijn 16-bits WAV, MP3 en M4A, met een minimale samplefrequentie van 16 kHz. Er is minstens vijf seconden aaneengesloten heldere spraak nodig; houd de overige pauzes bij voorkeur niet langer dan twee seconden. Bij stereo wordt alleen het eerste kanaal verwerkt. De gemaakte stemidentificatie is gekoppeld aan Plus en wordt voor synthese gebruikt wanneer de stem klaar is; om dezelfde referentie via Flash te reproduceren, moet een aparte Flash-stem worden gemaakt.

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

De uitvoeropties van de producent zijn PCM, WAV, MP3 en Opus, met vermelde samplefrequenties van 8.000, 16.000, 22.050, 24.000, 44.100 en 48.000 Hz. MP3 en 22.050 Hz zijn de gedocumenteerde standaardinstellingen. Het volume kan van 0 tot 100 worden ingesteld en snelheid 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 gelijk in de onderdelen van een langer werk. Streaminguitvoer bevat audioframes en zinsmetadata, met woordtijdstempels voor geschikte stemmen, waaronder gekloonde stemmen.

De gedocumenteerde tekstinvoer via WebSocket staat 20.000 tekens per bericht en in totaal 200.000 tekens toe en vereist een indieningsinterval van hoogstens 23 seconden. De invoer kan een compleet script of geordende tekstsegmenten bevatten en wordt afgerond als de invoer compleet is. De producent documenteert ook het annuleren van de huidige synthesebeurt. Dit zijn limieten en gedragingen van dat protocol, geen universele bovengrens voor de duur van gegenereerde audio. Deel bij een lange vertelling het script op in samenhangende delen en bewaar hun volgorde en tekst bij de resulterende audio, zodat het werk consistent kan worden samengesteld en beoordeeld.

Voor uitspraak biedt de producent aanwijzingen voor de doeltaal, pinyin-annotaties en tekstvervangingen om ongewenste uitspraak van cijfers, afkortingen, symbolen of woorden te behandelen. SSML is een aparte opmaakmodus met gebruiksvoorwaarden: de Qwen-documentatie ondersteunt deze voor gekloonde stemmen bij niet-streamende of unidirectioneel streamende aanroepen, met slechts één tekstinzending wanneer SSML is ingeschakeld. Dit legt geen SSML-ondersteuning vast voor alle systeemstemmen of voor bidirectionele streaming. Een praktische Plus-werkwijze begint met een compatibele stem en een afgerond script en voegt daarna nauwkeurige voordracht- en uitspraakkeuzes toe voor de passage die wordt ingesproken.