Qwen-Audio-3.0-TTS Flash 音色と指示スタイル対照

本作品では qwen-audio-3.0-tts-flash（Alibaba・text-to-speech）を用いてバイリンガルの一文を合成し、同一テキストが異なる内蔵音色および自然言語スタイル指示の下でどのように聴感上異なるかを示します。 制作方針：schema の required フィールドは text と voice のみで、その他は任意パラメータです。そのため基本入力では合成対象テキストと1つの内蔵音色のみを固定し、さらに instruction で語調と表現方法を記述し、language_hints で中国語優先を指定し、rate / pitch / volume / seed / format / sample_rate に安定して再現可能な値を与えることで、開発者が実際の submit input スナップショットと直接照合しながら各フィールドの役割を理解できるようにしています。 内容構成：合成対象テキストは中英混在の製品アナウンス一文で、長さは語流・ポーズ・アクセント処理を表現するのに十分です。スタイル指示は「穏やかで専門的なアナウンス口調、適度な話速、文末は自然に収束」に限定し、誇張した演技を避けることで、リアルタイムアナウンスやカスタマーサポート場面の実際の聴感に近づけています。 想定用途：リアルタイム音声アナウンスと通知、対話型アシスタントの音声出力、多言語コンテンツのナレーション。Flash は高速・低コスト志向であり、現在のエンドポイントは内蔵音色数が限られ、テキストからの音声デザインに対応していないため、本サンプルはその明瞭度と音色の一貫性を評価するための最小実行可能ベースラインとして利用できます。より高音質が必要な場合は同ファミリーの Plus バージョンに切り替えて比較できます。