Qwen Audio 3.0 TTS

Visão geral do posicionamento

qwen-audio-3.0-tts-flash é o modelo de conversão de texto em fala da série Qwen Audio 3.0 TTS voltado para interação em tempo real, chamado por meio da interface unificada do HiAPI.ai. Ele sintetiza o texto de entrada em fala natural, oferece suporte a indicações em 16 idiomas, como chinês, inglês, japonês e coreano, e permite ajustar emoção e estilo de expressão com instruções em linguagem natural. É adequado para desenvolvedores que constroem assistentes de voz, aplicações conversacionais, anúncios de atendimento ao cliente e dublagem multilíngue, especialmente para cenários em tempo real sensíveis à latência do primeiro pacote e que exigem equilíbrio entre velocidade de resposta e qualidade de áudio. O limite de texto por tarefa é de 20.000 pontos de código Unicode.

Destaques principais

• Faixa de baixa latência para interação em tempo real — O Flash prioriza a resposta em tempo real, com latência do primeiro pacote na casa dos 300 milissegundos, adequado para diálogo síncrono e cadeias de anúncio por voz.
• Controle instrucional de emoção e estilo de expressão — O campo opcional instruction permite descrever o tom e o modo de expressão, reduzindo o pós-processamento do áudio.
• Ampla cobertura de síntese multilíngue — Suporta indicações em 16 idiomas; um único modelo atende conteúdo em vários idiomas, sem trocar de modelo por idioma.
• Formato de saída e taxa de amostragem selecionáveis — Oferece saída em pcm, wav, mp3 e opus, com taxa de amostragem de 8000 a 48000 Hz, selecionável conforme o dispositivo de reprodução.

Descrição das capacidades

Conversão de texto em fala multilíngue: basta fornecer o texto e a voz para sintetizar a fala; language_hints permite especificar o idioma de destino, e uma única integração cobre a produção de conteúdo em vários idiomas.

Ajuste refinado de parâmetros de voz: velocidade e tom ajustáveis na faixa de 0,5 a 2 vezes, e volume de 0 a 100, facilitando a adaptação a diferentes dispositivos de reprodução e ritmos de conteúdo.

Controle de formato de saída e taxa de amostragem: é possível escolher saída mp3, wav, pcm ou opus, com taxa de amostragem de 8000 a 48000 Hz; no opus, também é possível especificar a taxa de bits de 6 a 510 kbps.

Controle por instrução e semente: o campo instruction descreve o estilo de síntese, e seed permite fixar a semente aleatória, facilitando reproduzir o mesmo resultado de síntese e testes de regressão estáveis.

Síntese de textos longos em tarefa única: cada tarefa aceita até 20.000 pontos de código Unicode de texto, sem necessidade de dividir parágrafos longos antes da chamada.

Cenários de aplicação

• Desenvolvedores de assistentes de voz em tempo real: texto de resposta do diálogo — sintetize em tempo real as respostas do sistema de diálogo em fala e conecte-as diretamente ao anúncio por voz de assistentes ou aplicações conversacionais.
• Atendimento ao cliente e call centers: textos de scripts de anúncio — converta em lote scripts padrão e conteúdos de notificação em fala para telemarketing ativo, avisos de IVR e anúncios de status de chamados.
• Educação online e conteúdo de áudio: materiais de curso — sintetize materiais didáticos e roteiros de aula em áudio com velocidade de fala ajustável, para dublagem de cursos e produção de audiolivros.
• Equipes de conteúdo multilíngue: textos em vários idiomas — sintetize o mesmo texto em versões de diferentes idiomas conforme a indicação de idioma, para lançamento de produtos no exterior e dublagem de vídeos multilíngues.

Limitações e recomendações de escolha

Este modelo é da faixa Flash e prioriza a velocidade de resposta; a naturalidade e a fidelidade da voz são inferiores à variante Plus da mesma série, e cenários que exigem alta qualidade do áudio final devem usar o Plus. A voz do sistema oferece apenas quatro valores selecionáveis e não permite projetar a voz a partir de uma descrição textual; a capacidade de clonagem de voz não faz parte dos parâmetros deste modelo. A síntese é medida por caracteres de saída, com caracteres CJK contando como dois caracteres; ao gerar textos longos em lote, é necessário estimar o uso. Se for necessário implantação auto-hospedada ou pesos de código aberto, isso não se aplica a este modelo.