Esempio di sintesi vocale multilingue con Qwen-Audio-3.0-TTS Flash

Questo lavoro genera realmente, tramite la linea dell'autore di qwen-audio-3.0-tts-flash, una traccia di narrazione che alterna cinese e inglese, per mostrare gli input e gli output effettivi del modello in uno scenario TTS gestito. La voce utilizza il timbro integrato longanhuan_v3.6 del profilo Flash e language_hints prende solo il primo elemento; pertanto questo esempio è prevalentemente in cinese, con termini inglesi intercalati, coprendo proprio il comportamento al limite del suggerimento di lingua. Nel campo base sono scritti esplicitamente rate, pitch, volume, sample_rate, format e seed, così gli sviluppatori possono confrontare uno per uno con lo schema il significato e l'intervallo di valori dei parametri. Il contenuto testuale è una narrazione divulgativa rivolta agli sviluppatori: il ritmo è leggermente rallentato e l'altezza tonale coincide con quella predefinita; è adatto come traccia audio per demo di prodotto, audio di esempio per la documentazione API, oppure come base di riferimento per l'uscita vocale di notiziari in tempo reale e assistenza clienti intelligente. Va precisato che il profilo Flash costa meno del Plus della stessa famiglia (15 $ vs 20 $ / milione di caratteri), il WER/CER medio di 3,87 è il più basso della famiglia e la similarità con il parlante di 80,44 è leggermente inferiore al Plus; la clonazione vocale è supportata a livello di base ma non è stata aperta nella prima versione, e non è supportata nemmeno la progettazione vocale da solo testo, quindi questo esempio mostra solo il timbro integrato e il controllo tramite istruzioni in linguaggio naturale.