Demonstração de múltiplas vozes e estilos do Qwen-Audio-3.0-TTS Flash

Este trabalho é voltado para desenvolvedores que precisam validar rapidamente o desempenho do TTS, usando uma única voz para demonstrar a naturalidade e a capacidade de seguir instruções do qwen-audio-3.0-tts-flash em cenários de narração falada em chinês. Na composição, o trabalho utiliza apenas uma voz integrada disponibilizada publicamente pelo canal do autor, longanhuan_v3.6; o texto é uma narração curta no estilo de descrição de produto, com o campo instruction especificando em linguagem natural o tom e o ritmo (sereno, com leve senso de locução); rate e pitch permanecem no padrão 1, e a saída em wav de 24kHz facilita a audição direta e o pós-processamento. A seed é fixa para garantir reprodutibilidade. Cenários de aplicação: avaliação de audibilidade de voz e estilo antes de integrar a DashScope Speech Synthesizer API; como amostra de base para cenários em tempo real, como anúncio de pedidos, alertas e saída de voz de assistentes; como material de comparação ao contrastar diferentes vozes da mesma família ou diferentes combinações de rate/pitch. Observação: o schema do endpoint atual oferece um número limitado de vozes selecionáveis; este trabalho não envolve clonagem de voz nem design de voz por texto; quando for necessário nível profissional de qualidade de áudio, deve-se considerar a versão Plus.