qwen-audio-3.0-tts-plus

Qwen-Audio-3.0-TTS-Plus transforma texto em fala expressiva. A Alibaba orienta o modelo para locução profissional de conteúdos, audiolivros, vídeos e materiais com uma voz de caráter reconhecível. A entrada é texto e a saída é áudio; também é suportada a entrega do som à medida que é sintetizado.

A forma de falar como parte da instrução

A expressão pode ser definida com instruções em linguagem natural e marcações de controlo detalhadas. Estas determinam a emoção, o tom, o caráter, o ritmo, o volume e o estilo da fala. Isto permite orientar a interpretação da mesma frase, desde uma narração calma até uma apresentação mais enérgica ou emocional.

A expressividade está ligada à voz escolhida e ao conteúdo do texto. Para uma pronúncia estável, a língua do material deve corresponder às línguas suportadas pela voz. O modelo destina-se à locução de material escrito; a análise do significado de uma conversa e a transcrição de uma gravação de origem pertencem a outras tarefas de áudio.

Voz pronta e voz baseada numa amostra

Existem duas vozes de sistema: uma voz feminina calorosa e uma voz masculina alegre. Suportam chinês e inglês. Para além destas, estão previstas mais de 500 vozes de base e a possibilidade de reproduzir uma voz a partir de uma amostra de fala. O fabricante recomenda as variantes de sistema quando se pretende estabilidade sonora.

A voz baseada numa amostra suporta chinês com variantes regionais de pronúncia, inglês, francês, alemão, japonês, coreano, russo, português, tailandês, indonésio, vietnamita, italiano, espanhol, malaio, filipino e árabe. Esta é uma capacidade linguística desse modo específico; não se aplica automaticamente a todas as vozes prontas.

Os requisitos da amostra pertencem a um processo separado de criação de voz no fabricante; a síntese de fala utiliza uma voz já preparada. A voz preparada deve corresponder ao modelo de síntese escolhido: no fabricante, uma voz de outro modelo provoca um erro de síntese. Recomenda-se uma amostra de fala limpa com 10–20 segundos. O limite geral é de 60 segundos e 10 MB, exigindo pelo menos cinco segundos de fala contínua. São suportados WAV com representação de 16 bits, MP3 e M4A, com frequência não inferior a 16 kHz. São admitidos um ou dois canais, mas, no caso de dois, apenas o primeiro é utilizado.

A amostra deve conter uma única voz, sem pessoas a falar em simultâneo, música ou canto. Nos requisitos do fabricante, as pausas curtas da amostra estão limitadas a dois segundos. Isto ajuda a isolar o timbre e as características de pronúncia necessários para a síntese seguinte. O controlo da expressão e a reprodução de uma voz a partir de uma amostra descrevem aspetos diferentes do funcionamento do modelo e podem ser utilizados para preparar o som do mesmo material.