Exemple de synthèse vocale multilingue avec Qwen-Audio-3.0-TTS Flash

Cette création utilise la ligne auteur de qwen-audio-3.0-tts-flash pour générer réellement une narration mixte chinois-anglais, afin d'illustrer les paramètres d'entrée et la sortie réels de ce modèle dans un scénario TTS hébergé. Le paramètre voice utilise le timbre intégré longanhuan_v3.6 du niveau Flash, et language_hints ne prend que le premier élément ; cet exemple est donc principalement en chinois, avec quelques termes anglais, ce qui couvre précisément le comportement limite des indications de langue. Dans base, rate, pitch, volume, sample_rate, format et seed sont tous explicitement renseignés, ce qui permet aux développeurs de vérifier un à un la signification et la plage de valeurs des paramètres par rapport au schéma. Le texte est une narration de présentation des capacités destinée aux développeurs : débit légèrement ralenti, hauteur identique à celle par défaut ; il convient comme piste audio de démonstration produit, comme audio d'exemple pour la documentation API, ou comme référence de base pour une annonce en temps réel et une sortie vocale de service client intelligent. À noter : le tarif du niveau Flash est inférieur à celui du Plus de la même famille (15 $ contre 20 $ / million de caractères), le WER/CER moyen de 3,87 est le plus bas de la famille, et la similarité de locuteur de 80,44 est légèrement inférieure au Plus ; le clonage vocal est pris en charge en interne mais n'est pas encore ouvert dans la première version, et la conception vocale à partir de texte seul n'est pas prise en charge non plus ; cet exemple ne fait donc que démontrer les timbres intégrés et le contrôle par instructions en langage naturel.