Qwen-Audio-3.0-TTS Flash 多言語音声合成サンプル

この作品は qwen-audio-3.0-tts-flash の作者回線を用いて、中国語と英語が混在するナレーションを実際に生成したもので、ホスト型 TTS シナリオにおける本モデルの実際の入力パラメータと出力を示すデモです。voice は Flash グレード内蔵の音色 longanhuan_v3.6 を使用し、language_hints は先頭の項目のみを採用するため、本サンプルは中国語を主体に英語の専門用語を交えた内容となり、言語ヒントの境界的な挙動をちょうどカバーしています。base では rate、pitch、volume、sample_rate、format、seed をすべて明示的に記述しており、開発者が schema と照らし合わせてパラメータの意味と取り得る値を一つずつ確認できるようになっています。テキスト内容は開発者向けの機能説明ナレーションで、話速はやや抑えめ、ピッチはデフォルトと同一で、製品デモ用の音声トラック、API ドキュメントのサンプル音声、あるいはリアルタイム読み上げやインテリジェントカスタマーサポートの音声出力のリファレンスベースラインとして適しています。補足すると、Flash グレードの価格は同ファミリーの Plus より安く（$15 対 $20 / 100万文字）、平均 WER/CER 3.87 はファミリー内で最低、話者類似度 80.44 は Plus よりやや低くなっています。音声クローンは基盤としてサポートされていますが初版では未公開で、テキストのみによる音声設計にも対応していないため、本項目では内蔵音色と自然言語指示による制御のみをデモしています。