Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS-Flash преобразует предоставленный текст в речь; версия Flash ориентирована на взаимодействие в реальном времени. Qwen называет её основными применениями голосовых помощников, интерактивный диалог и интеллектуальное обслуживание клиентов. По сравнению с предыдущей версией производитель описывает более широкую поддержку языков с ограниченным объёмом обучающих данных и китайских диалектов, более естественное диалектное произношение и улучшенное управление эмоцией, тоном, характером, скоростью, громкостью и манерой речи. Также сообщается об улучшении разборчивости и устойчивости в условиях шума или реверберации. Это синтез аудио по тексту, а не распознавание входящей речи или модель голосового диалога.

Flash отдаёт приоритет быстрому началу речи в интерактивном обмене. Qwen сообщает, что при синтезе этой моделью в реальном времени задержка первого пакета не превышает 200 миллисекунд; в руководстве по использованию также отмечается, что первоначальное установление соединения влияет на измеренную задержку первой отправки. Готовьте слова, которые должны прозвучать, отдельно от желаемой манеры исполнения. Например, для ответа голосового помощника можно совместить краткий ответ с инструкцией произнести его спокойно и чётко. Нужный результат — сгенерированная речь для этого текста; воспроизведением и остальным диалогом управляет приложение.

Список системных голосов производителя включает варианты для конкретной модели, например Long An Feng Yue с естественной, дружелюбной подачей и Long An Xiao Xin с дружелюбной, живой подачей; оба указаны для путунхуа и английского. В нём есть и английские голоса, например loongmary с британским акцентом и loongjohn со спокойным, дружелюбным американским акцентом. Кроме того, у каждой модели более 500 базовых голосов. Для стабильности Qwen рекомендует начинать с системных голосов, а при выборе базового голоса прослушивать образцы. Голос должен относиться к выбранной модели, а текст — быть на поддерживаемом этим голосом языке.

Клонированные голоса расширяют документированный набор языков до китайского, английского, японского, корейского, русского, французского, немецкого, португальского, тайского, индонезийского, вьетнамского, испанского, итальянского, малайского, филиппинского и арабского. Поддержка китайского охватывает путунхуа, кантонский, чунцинский, северо-восточные говоры, ганьсуский, гуйчжоуский, чжэцзянский, хэбэйский, хэнаньский, хубэйский, хунаньский, цзянсийский, нинбоский, нинсяский, циндаоский, шэньсийский, шаньсийский, шаньдунский, шанхайский, сычуаньский и юньнаньский варианты; диалект выбирается через инструкции. Таблица моделей указывает поддержку клонирования голоса по образцу и отличает её от создания нового голоса исключительно по текстовому описанию, которое эта версия не поддерживает.

Для клонирования производитель рекомендует запись длительностью 10–20 секунд, с максимумом 60 секунд и размером файла не более 10 МБ. Поддерживаемые форматы образца — 16-битный WAV, MP3 и M4A, с частотой дискретизации не менее 16 кГц. В записи должно быть не менее пяти секунд непрерывной разборчивой речи; остальные паузы не должны превышать двух секунд. Избегайте фоновых звуков, других голосов и пения. Стереозапись принимается, но обрабатывается только первый канал. Процесс клонирования возвращает идентификатор голоса, привязанный к точной целевой модели; после готовности голоса синтез использует этот идентификатор. Для Flash и Plus по одной и той же записи нужно создавать отдельные клонированные голоса.

Инструкции на естественном языке управляют подачей как системных, так и клонированных голосов. Описывайте слышимые качества: мягкий тон, чёткую артикуляцию или слегка замедленный темп. Встроенные в текст теги дают другой способ управления: [empathetic] или [serious] задаёт стиль для последующего текста, а [laughing] или [sighing] вставляет голосовой эффект в определённом месте. Управляющий тег действует до следующего управляющего тега или автоматического разделения на предложения. Эти теги эмоций и речевой выразительности документированы только для однонаправленного потокового режима, а не для режима двунаправленной передачи текста. Готовьте выразительную реплику в режиме, подходящем для этих средств управления.

Речевой интерфейс производителя поддерживает PCM, WAV, MP3 и Opus. Перечислены частоты дискретизации 8 000, 16 000, 22 050, 24 000, 44 100 и 48 000 Гц; по умолчанию используются MP3 и 22 050 Гц. Громкость задаётся в диапазоне от 0 до 100, скорость речи и высота тона — каждая от 0,5 до 2,0. Для MP3 и Opus также доступен битрейт от 6 до 510 кбит/с. Выберите формат и частоту дискретизации под нужный проигрыватель или процесс обработки. Для интерактивного приложения производитель документирует потоковые аудиокадры и метаданные предложений; в потоковом выводе подходящих голосов, включая клонированные, доступны временные метки отдельных слов.

Документированный текстовый протокол WebSocket принимает до 20 000 символов в одном текстовом сообщении и суммарно 200 000 символов в задаче; между отправками должно проходить не более 23 секунд. Это ограничения протокола производителя, а не универсальный предел длительности аудио на выходе модели. Протокол поддерживает отмену текущего этапа синтеза и запуск следующей задачи в том же соединении. Сохраняйте предполагаемый порядок произнесения текстовых сегментов и завершайте ввод, когда весь текст передан. Для подготовки произношения производитель документирует подсказки о целевом языке, аннотации пиньинем и замены текста — они полезны, если цифры, сокращения или символы произносятся неожиданным образом.

SSML — отдельный вариант разметки с условиями по голосам и режиму взаимодействия: Qwen документирует его для клонированных голосов при непотоковых или однонаправленных потоковых вызовах и с единственной отправкой текста при включённом SSML. Не следует считать, что он поддерживается каждым готовым голосом или двунаправленным потоком. Для обычного диалога начните с совместимого голоса, чистого текста для произнесения и конкретной инструкции о подаче; добавляйте точечные настройки произношения или выразительности там, где этого требует задача. Так профиль Flash остаётся ориентированным на речь с быстрым откликом по подготовленному тексту, а не на возможности других аудиомоделей Qwen.