Panorama dos parâmetros de síntese de voz Flash: demonstração de síntese de uma locução multilíngue

Esta peça usa a cadeia real de síntese do qwen-audio-3.0-tts-flash para demonstrar como «texto + voice + instrução em linguagem natural» determinam em conjunto a saída de um segmento de voz. No schema da linha do autor, text e voice são obrigatórios, enquanto rate/pitch/volume/format/sample_rate oferecem controles diretamente ajustáveis; instruction serve para especificar tom e modo de expressão em linguagem descritiva, e language_hints atualmente processa apenas o primeiro elemento do array. A peça entrega um texto de locução de produto multilíngue à síntese com a voz longanhuan_v3.6, com instrução limitada a «tom de locução claro e estável, velocidade moderada», com saída em mp3. A voz em si não vem de áudio de referência — a primeira versão do Flash não abriu clonagem de voz, nem suporta design de voz a partir de texto puro, portanto aqui se demonstra o caminho de timbre embutido + controle por instrução. Serve para observar: a diferença de percepção do mesmo texto sob diferentes rate/pitch, o efeito da instrução sobre o tom, e como se parece a entrada inicial para cenários como locução em tempo real, saída de voz para atendimento e dublagem multilíngue. O Flash posiciona-se para feedback rápido e chamadas de alta concorrência sensíveis a custo; para cenários de conteúdo formal, vale comparar com a versão Plus antes de escolher.