Recettes de prompts développeur pour qwen-audio-3.0-tts-plus

Pourquoi les prompts TTS méritent le même rigor qu'un code

La plupart des équipes traitent la synthèse vocale comme une opération ponctuelle : quelqu'un saisit une phrase dans une démo, l'audio sonne à peu près bien, et le prompt disparaît dans l'historique de chat. Trois semaines plus tard, une modification du texte impose de tout relancer, mais personne ne peut reproduire le rendu d'origine. La voix a dérivé, le rythme a changé, et la seule solution est de deviner à nouveau.

Ce mode d'échec est un problème de processus, pas de modèle. Un prompt TTS est une entrée qui façonne la sortie, exactement comme un fichier de configuration ou une chaîne de modèle. S'il n'existe nulle part, il ne peut être ni relu, ni comparé, ni restauré.

Traitez chaque prompt comme une recette : un artefact nommé et versionné qui associe un script aux instructions d'interprétation qui le rendent juste à l'oreille. Conservez-la à côté du code qui l'appelle, et retestez-la chaque fois que le texte du script change, que l'appelant change ou que la version du modèle évolue sous vos pieds.

Le bénéfice est modeste mais précieux. Quand une recette est versionnée, une régénération ratée devient une simple comparaison de différences. Une partie prenante qui demande « rendez-le plus chaleureux » devient une branche, pas une réécriture. Et l'intégration d'un nouvel ingénieur consiste à lui tendre un dossier, pas à compter sur sa mémoire.

Une règle de travail : si un audio est assez bon pour être publié, la recette qui l'a produit est assez bonne pour être commitée.

Anatomie d'une recette qwen-audio-3.0-tts-plus réutilisable

Une recette qui résiste à l'usage réel comporte quatre parties. Stockez-les comme des champs distincts dans le fichier de prompt, et non comme une longue chaîne unique, afin de pouvoir modifier une couche sans toucher aux autres.

1. Les instructions d'interprétation

Un court bloc d'instructions qui définit le style global de lecture : public, rythme, degré de formalité, média cible (voix off pédagogique, lecture publicitaire, message IVR). Rédigez-le en langage simple et gardez-le stable d'une série à l'autre. C'est la couche qui change le moins.

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

2. Le corps du script

Les mots réellement destinés à être lus. Rien d'autre. Pas d'indications de mise en scène enfouies au milieu des phrases, ni de parenthèses susceptibles de fuiter dans l'audio. Si un mot ne doit pas être lu, il n'a rien à faire dans ce champ.

3. Les marqueurs de segmentation

Des délimiteurs qui découpent le corps en blocs pouvant être dirigés indépendamment — généralement une à deux phrases par bloc. C'est là que s'ajoutent les annotations de ton et de rythme, d'où la nécessité qu'ils soient non ambigus et peu coûteux à analyser.

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

4. Les attentes de sortie

Une note lisible par un humain décrivant à quoi le résultat doit ressembler, ainsi que toute vérification effectuée (fourchettes de durée, contrôles par échantillonnage au niveau de la syllabe, liens vers les audios approuvés). Cela permet à une personne absente de relire la recette.

Pour chaque cas d'usage, conservez les quatre parties dans un seul fichier, nommé d'après le cas d'usage plutôt que d'après le modèle, afin de ne pas devoir tout renommer lors d'un changement de modèle sous-jacent. Une recette doit d'abord se lire comme une spécification, et ensuite seulement comme un prompt.

Recette : rythme de la narration et de la voix off

Le rythme en TTS est avant tout un problème d'écriture. Le moteur lit ce que vous lui donnez, et les phrases longues et ininterrompues ont tendance à être lues à la hâte ou avec des accentuations étranges. La solution consiste à contrôler la longueur des phrases et les retours à la ligne avant même de toucher au langage du 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.

Trois éléments rendent cela reproductible :

• Des segments d'ouverture courts. Une phrase par marqueur au début donne au moteur des frontières claires et vous offre un rythme prévisible.
• Des retours à la ligne physiques à l'intérieur des segments, placés aux frontières naturelles des propositions. Ils servent d'indices de rythme sans ajouter de ponctuation que l'auditeur percevrait comme une pause.
• Une intonation descendante explicitement demandée dans les instructions d'interprétation. Une affirmation qui se termine sur une intonation montante semble hésitante, ce qui est la plainte la plus fréquente pour les longues narrations.

Écrivez pour l'oreille, puis vérifiez. Lisez le script à voix haute ; partout où vous manquez de souffle, c'est qu'il faut découper le paragraphe. Si une phrase contient plus d'une idée, ce sont deux phrases.

Recette : ponctuation et maîtrise des pauses

La ponctuation est la surface de contrôle du rythme que vous possédez déjà. Utilisez-la délibérément pour guider la durée des pauses et l'accentuation, sans ajouter le moindre langage d'instruction supplémentaire. L'ordre approximatif que suivent la plupart des moteurs, du plus court au plus long, est le suivant :

comma  <  dash  <  period  <  ellipsis

Cet ordre est une valeur par défaut utile, pas une garantie — confirmez toujours à l'écoute. La recette ci-dessous confie à chaque signe une seule responsabilité.

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.

Des contraintes pratiques pour rester reproductible :

• Un signe, un sens. Si le tiret signifie parfois « tenir » et parfois n'est que décoratif, la recette ne se lira pas de la même façon à chaque réexécution.
• Évitez les signes empilés. Plusieurs points d'exclamation ou des points de suspension entremêlés de tirets produisent des pauses instables. Choisissez-en un.
• Ne surchargez pas la ponctuation. Une virgule tous les trois mots hache la lecture et fait sonner l'interprétation comme une voix robotique.
• Testez les cas extrêmes. Comparez un paragraphe entièrement ponctué avec une version du même texte au minimum de ponctuation ; la différence vous révèle l'importance que le moteur accorde à la ponctuation.

Comme les modifications de ponctuation sont de pures éditions de texte, elles se comparent très facilement. C'est donc la couche de recette la moins coûteuse à itérer.

Recette : indices d'émotion et de ton par segment

Une instruction d'émotion pour l'ensemble du script est fragile. Une note « sonne enthousiaste » appliquée à une piste de cinq minutes produit une lecture uniformément forte qui aplatit toutes les transitions. Les indices au niveau du segment sont un meilleur outil : ils font varier l'émotion au sein d'un même audio continu et vous permettent de ne régénérer qu'un seul segment lorsqu'une ligne ne sonne pas juste.

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.

Des principes pour garder les indices de segment maîtrisables :

• Nommez le ton, puis ancrez-le. Une étiquette nue comme « chaleureux » est ambiguë. Associez-la à ce qu'elle signifie ici — rassurant, plus lent, finales plus douces — pour que les futurs lecteurs puissent la recréer.
• Gardez le locuteur constant. Tous les segments doivent sonner comme une même personne. Indiquez l'émotion, pas le personnage.
• Changez de ton aux frontières, pas au milieu d'une phrase. Un basculement en plein segment est difficile à vérifier et tend à paraître brusque.
• Limitez-vous à un petit vocabulaire de tons par projet, et réutilisez-le. Cinq étiquettes bien comprises valent mieux que vingt étiquettes inventées.

Puisque les segments sont indépendants, une ligne rejetée ne demande que la réexécution d'un segment, et non la régénération de toute la piste. Cela rend aussi les tests A/B peu coûteux : modifiez l'indice du seg-03 et laissez le reste inchangé.

Tester la sortie et verrouiller la recette

Tant que vous ne l'avez pas écoutée, une recette n'est qu'une hypothèse. La boucle est courte et ne nécessite aucun outil au-delà d'un dossier et d'une convention de nommage.

La boucle

1. Rédiger. Écrivez ou modifiez le fichier de recette. Ne changez qu'une chose à la fois — un indice, un schéma de ponctuation, un découpage de segment.
2. Générer. Générez l'audio pour l'ensemble du script, pas seulement pour le segment que vous avez édité. Le rythme dépend du contexte, et un changement dans un segment modifie la lecture des segments voisins.
3. Comparer. Écoutez l'une après l'autre la nouvelle sortie et la dernière version approuvée, sur le même haut-parleur ou casque. Jugez séparément le rythme, l'accentuation et les transitions de ton ; ils échouent indépendamment.

Si la nouvelle version l'emporte, promouvez-la. Sinon, restaurez le fichier et conservez la trace de la raison de l'échec dans le message de commit.

Ce qu'il faut consigner

• Le fichier de recette complet, exactement tel qu'il a été envoyé.
• L'audio rendu, stocké à côté sous un nom correspondant.
• Une conclusion d'une ligne par comparaison : ce qui a changé, ce qui s'est amélioré, ce qui a régressé.

Le verrouillage

Lorsqu'une recette est approuvée, étiquetez-la — v1, v1.1, ou une étiquette basée sur la date, selon la convention déjà employée par votre projet. À partir de là, la recette étiquetée est l'artefact publié ; les éditions ultérieures en dérivent. Si la version du modèle change sous vos pieds, régénérez d'abord à partir de la recette étiquetée, afin de mesurer l'écart par rapport à une référence connue plutôt que de mémoire.

Deux règles font vivre le verrouillage : n'éditez jamais une recette verrouillée en place, et ne publiez jamais un audio dont la recette de génération n'est pas dans le dépôt.

Erreurs de recette courantes et comment les corriger

Voici les modes d'échec les plus fréquents lorsque les équipes commencent à versionner leurs recettes. Chacun a une correction au niveau du texte.

Le surprompt

Empiler les instructions d'interprétation, les étiquettes de ton, les marqueurs d'accentuation et les indications entre parenthèses dans un seul segment. Le résultat est une lecture instable et une recette que personne ne peut maintenir.

Correction : une instruction d'interprétation par recette, un indice de ton par segment, et la ponctuation pour le reste. Si un segment a besoin de trois instructions, c'est probablement deux segments.

Ponctuation incohérente

Utiliser les tirets et les points de suspension de façon décorative à certains endroits, et de façon signifiante à d'autres. Le même signe produit alors des pauses différentes dans tout le script.

Correction : attribuez à chaque signe exactement une responsabilité, et auditez le fichier pour les infractions avant de générer. Rechercher ... et — ne prend que quelques secondes.

Scripts non reproductibles

Du texte copié-collé arrive avec des guillemets typographiques, des espaces superflus, ou des parenthèses destinées aux relecteurs humains qui finissent par être lues.

Correction : gardez le corps du script exempt de tout ce qui n'est pas censé être dit, normalisez les guillemets et les espacements dans votre éditeur, et comparez le fichier après chaque collage.

Émotion à l'échelle du script entier

Une instruction « enthousiaste » ou « sérieux » qui couvre plusieurs minutes d'audio.

Correction : déplacez les indices de ton vers les segments, gardez le locuteur constant et faites varier l'émotion aux frontières que vous pouvez vérifier à l'oreille.

Éditions non testées

Modifier un prompt et publier directement sans écouter, parce que le texte semble correct sur le papier.

Correction : générez et comparez avant de promouvoir. Un prompt qui se lit bien sur le papier peut malgré tout dériver en rythme ou en accentuation.

En cas de doute, retirez des instructions plutôt que d'en ajouter. Une recette courte avec une ponctuation propre et des frontières de segments honnêtes est plus facile à reproduire qu'une longue recette qui cherche à tout contrôler. Construisez la recette, écoutez la sortie, verrouillez ce qui fonctionne.