Exemplo de síntese de voz multilíngue Qwen-Audio-3.0-TTS Flash

Esta peça gera de fato uma narração que mistura chinês e inglês usando a linha do autor qwen-audio-3.0-tts-flash, para demonstrar os parâmetros de entrada e a saída reais desse modelo no cenário de TTS hospedado. O voice usa a voz integrada da categoria Flash longanhuan_v3.6, e language_hints considera apenas o primeiro item; portanto, este exemplo é predominantemente em chinês, com termos em inglês intercalados, cobrindo justamente o comportamento de limite da dica de idioma. Em base, rate, pitch, volume, sample_rate, format e seed são todos explicitados, facilitando aos desenvolvedores conferir um a um, contra o schema, o significado e a faixa de valores de cada parâmetro. O conteúdo textual é uma narração de apresentação de capacidades voltada a desenvolvedores, com ritmo levemente desacelerado e altura tonal igual à padrão, adequada como faixa de áudio para demonstração de produto, áudio de exemplo para documentação de API, ou como linha de base de referência para saída de voz em transmissão em tempo real e atendimento inteligente. Vale esclarecer que o preço da categoria Flash é inferior ao do Plus da mesma família (US$ 15 vs US$ 20 por milhão de caracteres), o WER/CER médio de 3,87 é o mais baixo da família, e a similaridade com o locutor de 80,44 é ligeiramente inferior à do Plus; a clonagem de voz tem suporte na base, mas não foi disponibilizada nesta primeira versão, e também não há suporte a design de voz por texto puro; portanto, esta peça demonstra apenas a voz integrada e o controle por instruções em linguagem natural.