Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash converte um texto fornecido em fala, com a edição Flash centrada na interação em tempo real. A Qwen identifica os assistentes de voz, o diálogo interativo e o atendimento inteligente ao cliente como as suas principais aplicações. Em comparação com a versão anterior, o fabricante descreve um suporte mais alargado de línguas com poucos recursos e de dialetos chineses, uma expressão dialetal mais autêntica e maior controlo da emoção, do tom, do caráter, da velocidade, do volume e do estilo de fala. Refere também uma melhoria da clareza e da robustez em condições acústicas com ruído ou reverberação. Trata-se de síntese de texto para áudio, não de reconhecimento de fala recebida nem de um modelo de diálogo por voz.

Flash dá prioridade ao início da fala numa interação. A Qwen indica uma latência até ao primeiro pacote de, no máximo, 200 milissegundos na síntese em tempo real deste modelo; o seu guia de utilização também assinala que o estabelecimento inicial da ligação contribui para o atraso medido no primeiro envio. Prepare as palavras efetivamente pronunciadas separadamente da forma de as dizer. Para uma resposta de um assistente de voz, uma indicação exemplificativa pode combinar uma resposta concisa com uma instrução para uma fala calma e clara. O resultado relevante é a fala gerada para esse texto, ficando a reprodução e a conversa envolvente a cargo da aplicação.

A lista de vozes de sistema do fabricante inclui opções específicas do modelo, como Long An Feng Yue para uma fala natural e simpática e Long An Xiao Xin para uma fala simpática e animada, ambas indicadas para mandarim e inglês. Inclui também vozes inglesas como loongmary, com sotaque britânico, e loongjohn, com um sotaque americano calmo e simpático. Cada modelo dispõe ainda de mais de 500 vozes de base. A Qwen recomenda começar pelas vozes de sistema para obter consistência e avaliar as amostras de áudio ao escolher uma voz de base. A voz tem de pertencer ao modelo selecionado, e o texto tem de usar uma língua que essa voz suporte.

As vozes clonadas alargam o conjunto de línguas documentado ao chinês, inglês, japonês, coreano, russo, francês, alemão, português, tailandês, indonésio, vietnamita, espanhol, italiano, malaio, filipino e árabe. A cobertura do chinês inclui mandarim, cantonês e variedades de Chongqing, Nordeste da China, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Xangai, Sichuan e Yunnan, com seleção do dialeto através de instruções. A tabela do modelo indica suporte de clonagem de voz a partir de uma amostra e distingue-a da criação de uma nova voz apenas com base numa descrição textual, que esta edição não suporta.

Para a clonagem, o fabricante recomenda uma gravação de 10–20 segundos, com um máximo de 60 segundos e um tamanho de ficheiro não superior a 10 MB. Os formatos de referência suportados são WAV de 16 bits, MP3 e M4A, com uma frequência de amostragem de pelo menos 16 kHz. A gravação tem de conter pelo menos cinco segundos de fala contínua e clara; as restantes pausas não devem exceder dois segundos. Evite som de fundo, outras vozes e canto. É aceite estéreo, mas apenas o primeiro canal é processado. O processo de clonagem devolve um identificador de voz associado ao modelo de destino exato, que a síntese utiliza quando a voz estiver pronta. A mesma gravação exige vozes clonadas separadas para Flash e Plus.

As instruções em linguagem natural controlam a forma de falar tanto nas vozes de sistema como nas clonadas. Descreva qualidades audíveis, como um tom suave, articulação clara ou um ritmo ligeiramente mais lento. As etiquetas inseridas no texto oferecem outro tipo de controlo: [empathetic] ou [serious] define um estilo para o texto seguinte, enquanto [laughing] ou [sighing] insere um efeito vocal numa posição específica. Uma etiqueta de controlo mantém-se ativa até outra etiqueta de controlo ou até à segmentação automática de frases. Estas etiquetas de emoção e de expressão vocal estão documentadas apenas para streaming unidirecional, não para o modo de entrada de texto bidirecional. Prepare uma frase expressiva no modo adequado a esses controlos.

A interface de voz do fabricante suporta PCM, WAV, MP3 e Opus. As frequências de amostragem indicadas são 8 000, 16 000, 22 050, 24 000, 44 100 e 48 000 Hz, sendo MP3 e 22 050 Hz os valores predefinidos. O volume varia de 0 a 100; a velocidade da fala e a altura tonal variam, cada uma, de 0,5 a 2,0. MP3 e Opus disponibilizam ainda uma definição de débito binário de 6 a 510 kbps. Selecione um formato e uma frequência de amostragem adequados ao leitor ou ao processo de tratamento pretendido. Para uma aplicação interativa, o fabricante documenta tramas de áudio em streaming e metadados de frases, com marcas temporais ao nível da palavra disponíveis na saída em streaming para vozes elegíveis, incluindo vozes clonadas.

O protocolo de texto WebSocket documentado aceita até 20 000 caracteres numa mensagem de texto e 200 000 caracteres acumulados numa tarefa, com um intervalo máximo de 23 segundos entre envios. Estes são limites do protocolo do fabricante, distintos de um limite universal de duração da saída do modelo. Suporta o cancelamento do turno de síntese atual e uma tarefa subsequente na mesma ligação. Mantenha os segmentos de texto pela ordem em que devem ser pronunciados e termine a entrada quando o texto estiver completo. Para preparar a pronúncia, o fabricante documenta indicações da língua de destino, anotações pinyin e substituições de texto, úteis quando algarismos, abreviaturas ou símbolos são pronunciados de forma inesperada.

SSML é uma opção de marcação separada, sujeita a condições relativas à voz e ao modo de interação: a Qwen documenta-a para vozes clonadas, com chamadas sem streaming ou com streaming unidirecional e um único envio de texto quando SSML está ativado. Não se deve pressupor que esteja disponível para todas as vozes predefinidas ou para qualquer fluxo bidirecional. Para diálogo comum, comece com uma voz compatível, um texto de fala limpo e uma instrução específica sobre a forma de o dizer; acrescente controlos de pronúncia ou de expressão direcionados quando a tarefa os exigir. Assim, o perfil Flash mantém-se centrado na resposta rápida de voz a partir de texto preparado, em vez de nas capacidades de outros modelos de áudio Qwen.