Recetario de prompts para desarrolladores de qwen-audio-3.0-tts-plus

Por qué los prompts de TTS merecen el mismo rigor que el código

La mayoría de los equipos tratan la conversión de texto a voz como una operación puntual: alguien escribe una frase en un cuadro de demostración, el audio suena aceptable y el prompt desaparece en el historial del chat. Tres semanas después, un cambio de guion obliga a regenerar y nadie puede reproducir la interpretación original. La voz se ha desviado, el ritmo ha cambiado y la única solución es volver a adivinar.

Este modo de fallo es un problema de proceso, no del modelo. Un prompt de TTS es una entrada que moldea la salida, exactamente igual que un archivo de configuración o una cadena de plantilla. Si no existe en ningún sitio, no se puede revisar, comparar diferencias ni revertir.

Trata cada prompt como una receta: un artefacto nombrado y versionado que empareja el guion con las instrucciones de interpretación que lo hacen sonar bien. Guárdala junto al código que la invoca y vuelve a probarla cada vez que cambie el texto del guion, el invocador o la versión del modelo bajo tus pies.

La recompensa es modesta pero valiosa. Cuando las recetas están versionadas, una regeneración fallida se convierte en una simple comparación de diferencias. Cuando un stakeholder pide «hazlo más cálido», eso se convierte en una rama, no en una reescritura. Y poner al día a un nuevo ingeniero consiste en entregarle una carpeta, no en depender de la memoria.

Una norma de trabajo: si un audio es lo bastante bueno para publicarse, la receta que lo generó es lo bastante buena para commitearse.

Anatomía de una receta reutilizable de qwen-audio-3.0-tts-plus

Una receta que resiste el uso real tiene cuatro partes. Guárdalas como campos independientes en el archivo del prompt, no como una única cadena larga, para que puedas editar una capa sin tocar las demás.

1. Instrucciones de interpretación

Un bloque breve de indicaciones que fija el estilo general de lectura: audiencia, sensación de ritmo, grado de formalidad y medio de destino (narración explicativa, locución publicitaria, aviso de IVR). Escríbelo en lenguaje llano y mantenlo estable a lo largo de la serie. Es la capa que menos cambia.

Delivery: calm product explainer, moderate tempo, warm but not
chatty, addressed to a developer audience. Avoid rising
trailing intonation on statements.

2. Cuerpo del guion

Las palabras que realmente se van a leer. Nada más. No dejes indicaciones escénicas enterradas en mitad de las frases ni incisos que puedan filtrarse al audio. Si una palabra no debe leerse en voz alta, no pertenece a este campo.

3. Marcas de segmento

Delimitadores que dividen el cuerpo en bloques instruibles por separado, normalmente de una a dos frases cada uno. Los segmentos son donde se adjuntan las notas de tono y ritmo, así que deben ser inequívocos y baratos de analizar.

[seg-01] First segment text here.
[seg-02] Second segment text here.

4. Expectativas de salida

Una nota legible por humanos que describe cómo debería sonar el resultado y cualquier verificación que hayas hecho realmente (rangos de duración, comprobaciones puntuales a nivel de sílaba, enlaces al audio aprobado). Esto permite que alguien que no estuvo presente revise la receta.

Guarda las cuatro partes de cada caso de uso en un solo archivo, nombrado por caso de uso y no por modelo, para que cambiar el modelo subyacente no obligue a renombrar. Una receta debe leerse primero como una especificación y solo después como un prompt.

Receta: ritmo de narración y locución

El ritmo en TTS es principalmente un problema de escritura. El motor lee lo que le das, y las frases largas y sin pausas suelen leerse con prisa o con un énfasis extraño. La solución es controlar la longitud de las frases y los saltos de línea antes de tocar cualquier lenguaje de prompt.

Delivery: documentary-style narration, unhurried, even energy,
clear sentence-final falling intonation.

[seg-01] Most audio pipelines fail at the same place.
[seg-02] Not at the model.
[seg-03] At the prompt that nobody saved.
[seg-04] A script change arrives, someone re-runs the generation,
and the voice comes back different, with no record of
what the old one looked like.

Tres cosas hacen que esto sea repetible:

• Segmentos de apertura breves. Una frase por marca al principio da al motor límites claros y a ti un ritmo predecible.
• Saltos de línea físicos dentro del segmento en los límites naturales de las cláusulas. Actúan como indicaciones de ritmo sin añadir puntuación que el oyente interprete como pausa.
• Entonación final descendente explícita en las instrucciones de interpretación. Una declaración que termina con entonación ascendente suena insegura, y es la queja más común en narraciones largas.

Escribe para el oído y luego comprueba. Lee el guion en voz alta; cualquier punto donde te quedes sin aire es donde hay que dividir el párrafo. Si una frase contiene más de una idea, son dos frases.

Receta: control de puntuación y pausas

La puntuación es la superficie de control del ritmo que ya tienes. Úsala con intención y podrás guiar la duración de las pausas y el énfasis sin añadir ningún lenguaje de instrucciones extra. El orden aproximado, de la pausa más corta a la más larga, que siguen la mayoría de los motores es:

comma  <  dash  <  period  <  ellipsis

Este orden es un valor predeterminado útil, no una garantía: confírmalo siempre escuchando. La receta siguiente asigna a cada marca exactamente una responsabilidad.

Delivery: instructional narration, steady tempo, deliberate
pauses at section changes.

[seg-01] Here is the part most people skip: the punctuation.
[seg-02] A comma is a breath. A dash — a short hold. A period
ends the thought.
[seg-03] And an ellipsis... is a real pause. Use it sparingly.
[seg-04] Three rules. Short sentences. One idea each.
Punctuate on purpose.

Restricciones prácticas para mantener la reproducibilidad:

• Una marca, un significado. Si el guion largo a veces significa «mantener» y a veces es solo decorativo, la receta no se leerá igual al regenerar.
• Evita marcas apiladas. Varios signos de exclamación o puntos suspensivos y guiones largos intercalados producen pausas inestables. Elige uno.
• No puntúes en exceso. Una coma cada tres palabras trocea la lectura y hace que la interpretación suene robótica.
• Prueba los extremos. Compara un párrafo totalmente puntuado con la versión mínimamente puntuada del mismo texto; la diferencia te dice cuánto peso le da el motor a la puntuación.

Como los cambios de puntuación son ediciones de texto plano, son muy fáciles de comparar por diferencias. Eso convierte esta en la capa de receta más barata de iterar.

Receta: indicaciones de emoción y tono por segmento

Las instrucciones de emoción para todo el guion son frágiles. Una nota de «suena emocionado» aplicada a una pista de cinco minutos produce una lectura uniformemente fuerte que aplana cada transición. Los prompts por segmento son una herramienta mejor: permiten que la emoción cambie dentro de una sola pieza de audio continua y te dejan regenerar solo un segmento cuando una línea no funciona.

Delivery: multi-section product narration, same speaker
throughout, tone shifts at segment boundaries.

[seg-01 | tone: neutral, informative]
Here is what changed in this release.

[seg-02 | tone: neutral, informative]
The generation path is faster, and the retry logic is simpler.

[seg-03 | tone: warm, reassuring]
If something does fail, it now fails loudly and early,
not silently at the end of a long job.

[seg-04 | tone: upbeat, confident]
That is the whole update. Ship it.

Pautas para mantener los prompts por segmento bajo control:

• Nombra el tono y luego anclalo. Una etiqueta desnuda como «cálido» es ambigua. Emparejala con lo que significa aquí (tranquilizador, más lento, finales más suaves) para que un lector futuro pueda recrearla.
• Mantén constante el hablante. Todos los segmentos deberían sonar como la misma persona. Indica emoción, no personaje.
• Cambia el tono en los límites, no a mitad de frase. Un cambio en mitad de un segmento es difícil de verificar y propenso a sonar brusco.
• Limítate a un vocabulario de tonos pequeño por proyecto y reutilízalo. Cinco etiquetas bien entendidas valen más que veinte inventadas.

Como los segmentos son independientes, una línea rechazada solo requiere volver a ejecutar un segmento en lugar de regenerar toda la pista. Eso también abarata las pruebas A/B: cambia el prompt de seg-03 y deja el resto igual.

Probar la salida y bloquear la receta

Hasta que la escuchas, una receta es solo una hipótesis. El ciclo es corto y no necesita herramientas más allá de una carpeta y una convención de nombres.

El ciclo

1. Borrador. Escribe o edita el archivo de receta. Cambia solo una cosa a la vez: un prompt, un patrón de puntuación, una división de segmento.
2. Genera. Genera audio para el guion completo, no solo para el segmento que editaste. El ritmo depende del contexto y un cambio en un segmento altera cómo se leen los segmentos vecinos.
3. Compara. Escucha la nueva salida y la última versión aprobada, una seguida de la otra, en el mismo altavoz o auriculares. Juzga por separado el ritmo, el énfasis y las transiciones de tono; fallan de forma independiente.

Si la nueva versión gana, promociona. Si no, revierte el archivo y conserva en el mensaje de commit una nota sobre por qué falló.

Qué registrar

• El archivo de receta completo, exactamente como se envió.
• El audio renderizado, guardado junto a él con un nombre que coincida.
• Una conclusión de una línea por comparación: qué cambió, qué mejoró y qué empeoró.

Bloqueo

Cuando se apruebe una receta, etiquétala: v1, v1.1 o una etiqueta basada en fecha, según la convención que ya use tu proyecto. A partir de ahí, la receta etiquetada es el artefacto publicado; las ediciones posteriores parten de ella. Si la versión del modelo cambia bajo tus pies, regenera primero desde la receta etiquetada, para poder medir la deriva contra una referencia conocida y no contra la memoria.

Dos reglas hacen que el bloqueo funcione: nunca edites una receta bloqueada en el sitio y nunca publiques audio cuya receta generadora no esté en el repositorio.

Errores comunes de receta y cómo corregirlos

Estos son los modos de fallo más frecuentes cuando los equipos empiezan a versionar recetas. Cada uno tiene una corrección a nivel de texto.

Exceso de prompt

Apilar instrucciones de interpretación, etiquetas de tono, marcas de énfasis e indicaciones entre paréntesis en un solo segmento. El resultado es una lectura inestable y una receta que nadie puede mantener.

Corrección: una instrucción de interpretación por receta, una indicación de tono por segmento y deja el resto a la puntuación. Si un segmento necesita tres instrucciones, probablemente sean dos segmentos.

Puntuación inconsistente

Usar guiones largos y puntos suspensivos de forma decorativa en algunos sitios y con significado en otros. La misma marca produce entonces pausas distintas en todo el guion.

Corrección: asigna a cada marca exactamente una responsabilidad y audita el archivo en busca de infracciones antes de generar. Buscar ... y — lleva unos segundos.

Guiones no reproducibles

Texto copiado y pegado con comillas tipográficas, espacios extra o contenido entre paréntesis pensado para revisores humanos que acaba leído en voz alta.

Corrección: mantén el cuerpo del guion libre de cualquier cosa que no se vaya a decir, normaliza comillas y espaciado en el editor y compara el archivo por diferencias después de cada pegado.

Emoción para todo el guion

Una sola instrucción de «emocionado» o «serio» que cubre varios minutos de audio.

Corrección: mueve las indicaciones de tono a los segmentos, mantén constante el hablante y deja que la emoción cambie en límites que puedas verificar de oído.

Ediciones sin probar

Cambiar un prompt y publicar directamente sin escuchar, porque el texto parece correcto.

Corrección: genera y compara antes de promocionar. Un prompt que se lee bien en papel todavía puede desviarse en ritmo o énfasis.

En caso de duda, recorta instrucciones en lugar de añadirlas. Una receta corta con puntuación limpia y límites de segmento honestos se reproduce más fácilmente que una receta larga que intenta controlarlo todo. Construye la receta, escucha la salida y bloquea lo que funcione.