Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus преобразует письменный текст в выразительную речь; версия Plus сосредоточена на качестве синтеза, естественности и детальной голосовой подаче. Qwen называет основными применениями создание контента, аудиокниги, дубляж фильмов и видео и профессиональное производство речи. Обновлённый профиль модели описывает более широкую поддержку языков с небольшим объёмом данных и китайских диалектов, улучшенную достоверность диалектов и более сильное управление эмоциями, тоном, характером, темпом речи, громкостью и стилем. Производитель также сообщает об улучшении чёткости, детализации и устойчивости в шумных или реверберирующих акустических условиях.

Plus — версия этого семейства синтеза речи с акцентом на качество; Flash отдельно позиционируется для взаимодействия в реальном времени. Подготовьте повествование как текст для произнесения, указав аудиторию, темп и эмоциональное направление. Для фрагмента аудиокниги пример задания может требовать чёткой артикуляции, размеренного темпа и сдержанного тепла; для закадрового голоса видео — серьёзного начала и затем более энергичного объяснения. Это выбор подачи предоставленных слов. Модель синтезирует речь, а не расшифровывает её и не генерирует полноценную визуальную сцену.

Официальные системные голоса Plus включают Long An Ling Xin, описанный как тёплый и эмпатичный, и Long An Lu Feng, описанный как яркий и жизнерадостный. Оба указаны для мандаринского китайского и английского. Производитель также предоставляет более 500 базовых голосов этой версии с образцами для прослушивания перед выбором. Он рекомендует системные голоса для более стабильного синтеза. Выберите голос из точного списка Plus и согласуйте язык текста с поддерживаемыми языками этого голоса; голос Flash не становится взаимозаменяемым только потому, что относится к тому же широкому семейству.

Модель поддерживает клонирование голоса по образцу. Документированные языки клонированных голосов включают китайский, английский, японский, корейский, русский, французский, немецкий, португальский, тайский, индонезийский, вьетнамский, испанский, итальянский, малайский, филиппинский и арабский. Китайские варианты включают мандаринский, кантонский, чунцинский, северо-восточный, ганьсуский, гуйчжоуский, чжэцзянский, хэбэйский, хэнаньский, хубэйский, хунаньский, цзянсийский, нинбоский, нинсяский, циндаоский, шэньсийский (Shaanxi), шаньсийский (Shanxi), шаньдунский, шанхайский, сычуаньский и юньнаньский, с управлением диалектами через инструкции. Таблица модели у производителя отличает клонирование от создания голоса по текстовому описанию: клонирование поддерживается для Plus, а отдельный режим проектирования голоса — нет.

Подходящий образец для клонирования — чёткая речь с нормальной скоростью, без музыки, фонового шума, других говорящих или пения. Производитель рекомендует 10–20 секунд и допускает до 60 секунд в файле не больше 10 MB. Форматы образца — 16-битный WAV, MP3 и M4A с частотой дискретизации не ниже 16 kHz. Требуется как минимум пять секунд непрерывной чёткой речи, а оставшиеся паузы рекомендуется делать не длиннее двух секунд. Для стерео обрабатывается только первый канал. Созданный идентификатор голоса привязан к Plus и используется для синтеза после готовности; воспроизведение того же образца через Flash требует отдельно созданного голоса Flash.

Инструкции на естественном языке могут задавать тон, темп, эмоцию и тембр системных и клонированных голосов. Используйте конкретные слышимые характеристики вместо расплывчатой просьбы о хорошем голосе. Встроенные эмоциональные теги задают стиль внутри текста, а теги речевых эффектов вставляют голосовой эффект в выбранном месте. Например, [serious] меняет последующую подачу, а [sighing] вставляет вздох, не изменяя окружающий эмоциональный стиль. Управляющие теги действуют до следующего управляющего тега или автоматического разбиения на предложения. Эта возможность с тегами документирована только для однонаправленного потокового режима, поэтому её область применения отличается от инструкций при двунаправленном текстовом вводе.

Варианты вывода производителя — PCM, WAV, MP3 и Opus с указанными частотами дискретизации 8 000, 16 000, 22 050, 24 000, 44 100 и 48 000 Hz. Документированные значения по умолчанию — MP3 и 22 050 Hz. Громкость можно задавать от 0 до 100, скорость и высоту тона — от 0,5 до 2,0; для MP3 и Opus дополнительно доступен битрейт от 6 до 510 kbps. Выберите представление для воспроизведения или монтажа, затем сохраняйте одинаковые настройки между разделами длинного произведения. Потоковый вывод включает аудиокадры и метаданные предложений; временные метки слов доступны для соответствующих голосов, включая клонированные.

Документированный процесс текстового ввода через WebSocket допускает 20 000 символов на сообщение и 200 000 символов суммарно и требует интервал отправки не больше 23 секунд. Он может принимать полный текст или упорядоченные текстовые сегменты и завершаться после окончания ввода. Производитель также описывает отмену текущего хода синтеза. Это ограничения и поведение данного протокола, а не универсальный предел длительности сгенерированного аудио. Для длинного повествования разбейте текст на связные разделы и сохраняйте их порядок и текст рядом с полученным аудио, чтобы последовательно собрать и проверить произведение.

Для произношения производитель предлагает подсказки целевого языка, аннотации пиньинь и текстовые замены для нежелательного чтения цифр, сокращений, символов или слов. SSML — отдельный режим разметки с условиями применимости: документация Qwen поддерживает его для клонированных голосов в непотоковых или однонаправленных потоковых вызовах, только с одной отправкой текста при включении. Это не устанавливает поддержку SSML для всех системных голосов или двунаправленного потокового режима. Практический процесс Plus начинается с совместимого голоса и готового текста, затем добавляет точный выбор подачи и произношения для озвучиваемого фрагмента.