Demostración de narración con voces integradas de Qwen-Audio-3.0-TTS-Plus

Esta entrada utiliza longanlingxin, una de las dos voces de sistema integradas de qwen-audio-3.0-tts-plus (nivel de calidad de audio Plus), para realizar una síntesis real de un fragmento de texto de narración en chino, mostrando la línea base de percepción auditiva que este modelo puede alcanzar con un mismo texto. En cuanto a su composición, el texto es una breve narración sobre el «estilo de sonido»; el idioma se establece en zh, la frecuencia de muestreo en 22050 Hz, el contenedor en mp3, y rate / pitch / volume / seed se mantienen en sus valores predeterminados; únicamente mediante instruction se especifica un tono de narración documental sobrio y contenido, con el fin de atribuir las diferencias de percepción auditiva al control por instrucción y no a modificaciones de parámetros. Escenarios de uso: al seleccionar voces para narraciones, pódcasts y contenido de audio, primero se puede escuchar con un fragmento breve de texto si la voz integrada encaja con el tono del programa; también puede servir como muestra de referencia de parámetros antes de integrarse con DashScope Speech Synthesizer. Cabe señalar que este modelo solo tiene dos voces integradas y que el nivel Plus se orienta a la calidad de audio profesional, con un rendimiento de aproximadamente 16 caracteres por segundo, por lo que es más adecuado para escucha offline y doblaje por lotes que para escenarios en tiempo real de alto rendimiento.