Ejemplo de síntesis de voz multilingüe con Qwen-Audio-3.0-TTS Flash

Esta pieza genera realmente una narración que mezcla chino e inglés mediante la línea del autor con qwen-audio-3.0-tts-flash, para demostrar los parámetros de entrada y la salida reales de este modelo en un escenario de TTS alojado. En voice se usa la voz integrada longanhuan_v3.6 del nivel Flash, y language_hints toma solo el primer elemento; por eso este ejemplo es principalmente en chino con términos en inglés intercalados, lo que cubre justamente el comportamiento límite de las indicaciones de idioma. En base se escriben explícitamente rate, pitch, volume, sample_rate, format y seed, para que los desarrolladores puedan verificar uno a uno el significado y el rango de valores de los parámetros según el schema. El texto es una narración de presentación de capacidades dirigida a desarrolladores, con una velocidad ligeramente más lenta y un tono igual al predeterminado, apta como pista de audio de demostración de producto, audio de ejemplo para documentación de API, o como línea base de referencia para salida de voz en anuncios en tiempo real y atención al cliente inteligente. Cabe señalar que el precio del nivel Flash es inferior al de Plus de la misma familia ($15 vs $20 por millón de caracteres), su WER/CER medio de 3.87 es el más bajo de la familia y su similitud de hablante de 80.44 es ligeramente inferior a Plus; la clonación de voz está soportada en la base pero no se abrió en la primera versión, y tampoco se admite el diseño de voz a partir de texto, por lo que esta pieza solo demuestra voces integradas y el control mediante instrucciones en lenguaje natural.