Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus zamienia pisemny tekst w ekspresyjną mowę; wydanie Plus skupia się na jakości syntezy, naturalności i szczegółowym sposobie wypowiedzi. Qwen wymienia tworzenie treści, audiobooki, dubbing filmów i wideo oraz profesjonalną produkcję mowy jako główne zastosowania. Zaktualizowany profil modelu opisuje szerszą obsługę języków o ograniczonych zasobach i chińskich dialektów, lepszą autentyczność dialektów i większą kontrolę emocji, tonu, postaci, tempa mowy, głośności i stylu. Producent zgłasza też poprawę klarowności, rozdzielczości i odporności w warunkach akustycznych z hałasem lub pogłosem.

Plus to wydanie tej rodziny syntezy mowy nastawione na jakość; Flash jest osobno pozycjonowane do interakcji w czasie rzeczywistym. Przygotuj narrację jako tekst do wypowiedzenia, określając odbiorców, tempo i kierunek emocjonalny. Przy fragmencie audiobooka przykładowe polecenie może wymagać wyraźnej artykulacji, miarowego tempa i powściągliwego ciepła; przy lektorze do wideo może prosić o poważny początek, po którym następuje bardziej energiczne wyjaśnienie. To wybory sposobu wypowiedzenia dostarczonych słów. Model jest syntezatorem mowy, a nie usługą transkrypcji lub generatorem kompletnej sceny wizualnej.

Oficjalne głosy systemowe Plus obejmują Long An Ling Xin, opisany jako ciepły i empatyczny, oraz Long An Lu Feng, opisany jako jasny i pogodny. Oba są wymienione dla mandaryńskiego i angielskiego. Producent dostarcza też ponad 500 głosów bazowych dla tego wydania, z podglądami do oceny przed wyborem. Zaleca głosy systemowe dla bardziej spójnej syntezy. Wybierz głos z dokładnej listy Plus i dopasuj język tekstu do obsługiwanych przez niego języków; głos z Flash nie jest zamienny tylko dlatego, że należy do tej samej szerszej rodziny.

Model obsługuje klonowanie głosu na podstawie próbki. Udokumentowane języki sklonowanych głosów obejmują chiński, angielski, japoński, koreański, rosyjski, francuski, niemiecki, portugalski, tajski, indonezyjski, wietnamski, hiszpański, włoski, malajski, filipiński i arabski. Warianty chińskie obejmują Mandarin, Cantonese, Chongqing, Northeastern, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Shanghainese, Sichuan i Yunnan, z dialektami sterowanymi instrukcjami. Tabela modelu producenta odróżnia klonowanie od tworzenia głosu z opisu tekstowego: klonowanie jest obsługiwane przez Plus, a osobny tryb projektowania głosu nie jest.

Odpowiednia próbka do klonowania to wyraźna mowa w normalnym tempie, bez muzyki, szumu tła, konkurujących mówców lub śpiewu. Producent zaleca 10–20 sekund i dopuszcza do 60 sekund w pliku nie większym niż 10 MB. Formaty referencyjne to 16-bitowy WAV, MP3 i M4A, z częstotliwością próbkowania co najmniej 16 kHz. Wymagane jest co najmniej pięć sekund ciągłej, wyraźnej mowy, a pozostałe pauzy powinny trwać nie dłużej niż dwie sekundy. W stereo przetwarzany jest tylko pierwszy kanał. Utworzony identyfikator głosu jest przypisany do Plus i używany do syntezy, gdy jest gotowy; odtworzenie tej samej próbki przez Flash wymaga osobno utworzonego głosu Flash.

Instrukcje w języku naturalnym mogą kształtować ton, tempo, emocje i barwę głosów systemowych oraz sklonowanych. Używaj konkretnych opisów słyszalnych cech zamiast ogólnej prośby o dobry głos. Wstawione tagi emocji mogą ustawić styl w tekście, a tagi ekspresji językowej mogą dodać efekt głosowy w wybranym miejscu. Na przykład [serious] zmienia następującą po nim wypowiedź, a [sighing] wstawia westchnienie bez zmiany otaczającego stylu emocjonalnego. Tagi sterujące obowiązują do następnego tagu sterującego lub automatycznej segmentacji zdań. Funkcja oparta na tagach jest udokumentowana tylko dla jednokierunkowego strumieniowania, ma więc inny zakres niż instrukcje stosowane z dwukierunkowym wejściem tekstowym.

Opcje wyjścia producenta to PCM, WAV, MP3 i Opus, z wymienionymi częstotliwościami próbkowania 8 000, 16 000, 22 050, 24 000, 44 100 i 48 000 Hz. Udokumentowane ustawienia domyślne to MP3 i 22 050 Hz. Głośność można ustawić od 0 do 100, a tempo i wysokość tonu od 0,5 do 2,0; MP3 i Opus umożliwiają dodatkowo bitrate od 6 do 510 kbps. Wybierz reprezentację potrzebną do odtwarzania lub edycji, a następnie zachowaj spójne ustawienia w częściach dłuższego utworu. Wyjście strumieniowe obejmuje ramki audio i metadane zdań, ze znacznikami czasu słów dostępnymi dla odpowiednich głosów, w tym sklonowanych.

Udokumentowany proces wejścia tekstowego przez WebSocket dopuszcza 20 000 znaków na wiadomość i 200 000 znaków łącznie oraz wymaga odstępu między zgłoszeniami nie większego niż 23 sekundy. Może przyjąć cały tekst lub uporządkowane segmenty i zakończyć działanie po ukończeniu wejścia. Producent dokumentuje również anulowanie bieżącej tury syntezy. Są to limity i zachowania tego protokołu, a nie uniwersalny limit czasu wygenerowanego nagrania. Przy długiej narracji zorganizuj tekst w spójne części i zachowaj ich kolejność oraz tekst wraz z powstałym dźwiękiem, aby całość można było spójnie złożyć i sprawdzić.

Do wymowy producent zapewnia wskazówki języka docelowego, adnotacje pinyin i zamiany tekstu dla niepożądanych odczytów cyfr, skrótów, symboli lub słów. SSML to osobny tryb znaczników z ograniczeniami dostępności: dokumentacja Qwen obsługuje go dla sklonowanych głosów w wywołaniach bez strumieniowania lub z jednokierunkowym strumieniowaniem, z tylko jednym przesłaniem tekstu, gdy jest włączony. Nie ustanawia obsługi SSML dla każdego głosu systemowego ani dla dwukierunkowego strumieniowania. Praktyczny proces Plus zaczyna się od zgodnego głosu i gotowego tekstu, a następnie dodaje precyzyjne wybory sposobu wypowiedzi i wymowy dla narracji danego fragmentu.