Рецепт промптов для разработчиков qwen-audio-3.0-tts-plus

Почему к промптам TTS стоит относиться так же строго, как к коду

Большинство команд воспринимают синтез речи как разовую операцию: кто-то вводит фразу в демонстрационное поле, звук получается сносным, а промпт исчезает в истории чата. Через три недели правка текста вынуждает запустить генерацию заново, но воспроизвести прежнее исполнение уже некому. Голос сместился, ритм изменился, и единственный выход — снова угадывать.

Этот сценарий отказа — проблема процесса, а не модели. Промпт TTS — это вход, формирующий выход, точно такой же, как конфигурационный файл или шаблонная строка. Если он нигде не существует, его нельзя проверить, сравнить в диффе или откатить.

Относитесь к каждому промпту как к рецепту: именованному артефакту с версией, который связывает скрипт с инструкциями исполнения, благодаря которым он звучит правильно. Храните его рядом с кодом, который его вызывает, и заново тестируйте всякий раз, когда меняется текст скрипта, вызывающая сторона или версия модели обновляется у вас под ногами.

Отдача скромная, но ценная. Когда рецепт версионирован, неудачная перегенерация превращается в сравнение диффов. Требование заинтересованной стороны «сделайте теплее» становится веткой, а не переписыванием. А ввод нового инженера — это передача папки, а не полагание на память.

Рабочее правило: если аудио достаточно хорошо для публикации, то рецепт, который его породил, достаточно хорош для коммита.

Анатомия переиспользуемого рецепта qwen-audio-3.0-tts-plus

Рецепт, выдерживающий реальное использование, состоит из четырёх частей. Храните их как отдельные поля в файле промпта, а не как одну длинную строку, чтобы можно было редактировать один слой, не трогая остальные.

1. Инструкции исполнения

Короткий блок указаний, задающий общий стиль чтения: аудитория, темп, степень официальности, целевой носитель (пояснительный закадровый голос, рекламное чтение, подсказка IVR). Пишите простым языком и держите стабильным в рамках серии. Это слой, который меняется реже всего.

Delivery: calm product explainer, moderate tempo, warm but not
chatty, addressed to a developer audience. Avoid rising
trailing intonation on statements.

2. Текст скрипта

Собственно слова, которые нужно озвучить. И только они. Не допускайте ремарк, зарытых посреди предложения, и вставок, которые могут просочиться в аудио. Если слово не должно быть произнесено, ему не место в этом поле.

3. Маркеры сегментов

Разделители, разбивающие основной текст на блоки, которые можно инструктировать по отдельности, — обычно по одному-два предложения на блок. Именно к сегментам прикрепляются заметки о тоне и ритме, поэтому они должны быть однозначными и легко разбираемыми.

[seg-01] First segment text here.
[seg-02] Second segment text here.

4. Ожидания от вывода

Человекочитаемое описание того, как должен звучать результат, и любой фактической проверки, которую вы выполнили (диапазон длительности, выборочная проверка на уровне слогов, ссылка на утверждённое аудио). Это позволяет проверять рецепт тому, кто не присутствовал лично.

Для каждого случая использования храните все четыре части в одном файле, названном по случаю использования, а не по модели, чтобы смена базовой модели не вынуждала переименовывать. Рецепт должен читаться прежде всего как спецификация, и лишь затем — как промпт.

Рецепт: ритм закадрового голоса и озвучивания

Ритм в TTS — в первую очередь задача письма. Движок читает то, что вы ему дали, а длинные непрерывные предложения часто читаются торопливо или с неуместными ударениями. Решение — управлять длиной предложений и переносами строк до того, как вы вообще тронете язык промпта.

Delivery: documentary-style narration, unhurried, even energy,
clear sentence-final falling intonation.

[seg-01] Most audio pipelines fail at the same place.
[seg-02] Not at the model.
[seg-03] At the prompt that nobody saved.
[seg-04] A script change arrives, someone re-runs the generation,
and the voice comes back different, with no record of
what the old one looked like.

Три вещи делают это воспроизводимым:

• Короткие вступительные сегменты. Одно предложение на маркер на раннем этапе даёт движку чёткие границы, а вам — предсказуемый ритм.
• Физические переносы строк внутри сегментов на естественных границах придаточных. Они работают как подсказки ритма, не добавляя пунктуации, которую слушатель воспримет как паузу.
• Явно прописанная нисходящая интонация в конце предложения в инструкциях исполнения. Утверждения, заканчивающиеся восходящей интонацией, звучат неуверенно — это самая частая жалоба на длинный закадровый голос.

Пишите для уха, затем проверяйте. Прочитайте скрипт вслух; любое место, где у вас сбивается дыхание, — это место, где нужно разбить абзац. Если предложение содержит больше одной мысли, это два предложения.

Рецепт: пунктуация и управление паузами

Пунктуация — это уже имеющаяся у вас поверхность управления ритмом. Используйте её осознанно, чтобы управлять длиной пауз и ударениями без добавления какого-либо дополнительного инструктивного языка. Примерный порядок, которого придерживается большинство движков, от самой короткой паузы к самой длинной:

comma  <  dash  <  period  <  ellipsis

Этот порядок — полезное значение по умолчанию, а не гарантия; всегда подтверждайте прослушиванием. Рецепт ниже закрепляет за каждым знаком ровно одну обязанность.

Delivery: instructional narration, steady tempo, deliberate
pauses at section changes.

[seg-01] Here is the part most people skip: the punctuation.
[seg-02] A comma is a breath. A dash — a short hold. A period
ends the thought.
[seg-03] And an ellipsis... is a real pause. Use it sparingly.
[seg-04] Three rules. Short sentences. One idea each.
Punctuate on purpose.

Практические ограничения, сохраняющие воспроизводимость:

• Один знак — одно значение. Если тире иногда означает «держи», а иногда служит просто украшением, рецепт не будет читаться одинаково при повторном запуске.
• Избегайте нагромождения знаков. Несколько восклицательных знаков или переплетённые многоточие и тире порождают нестабильные паузы. Выберите один.
• Не переусердствуйте с пунктуацией. Запятая через каждые три слова дробит чтение и делает исполнение роботизированным.
• Тестируйте крайние случаи. Сравните полностью расставленный знаками абзац с версией того же текста с минимальной пунктуацией; разница покажет, насколько движок придаёт значение пунктуации.

Поскольку изменения пунктуации — это чисто текстовые правки, их очень легко сравнивать в диффе. Это делает её самым дешёвым для итераций слоем рецепта.

Рецепт: подсказки эмоций и тона по сегментам

Инструкции настроения на весь скрипт хрупки. Заметка «звучать воодушевлённо», применённая к пятиминутной дорожке, даёт равномерно громкое чтение и сглаживает каждый переход. Подсказки на уровне сегментов — лучший инструмент: они позволяют настроению меняться в пределах одной непрерывной дорожки и позволяют перегенерировать отдельный сегмент, если конкретная строка звучит не так.

Delivery: multi-section product narration, same speaker
throughout, tone shifts at segment boundaries.

[seg-01 | tone: neutral, informative]
Here is what changed in this release.

[seg-02 | tone: neutral, informative]
The generation path is faster, and the retry logic is simpler.

[seg-03 | tone: warm, reassuring]
If something does fail, it now fails loudly and early,
not silently at the end of a long job.

[seg-04 | tone: upbeat, confident]
That is the whole update. Ship it.

Правила, помогающие держать подсказки сегментов под контролем:

• Назовите тон, затем закрепите его. Голый ярлык вроде «тёплый» двусмыслен. Свяжите его с тем, что он означает здесь — успокаивающий, более медленный, более мягкий финал, — чтобы будущий читатель мог его воссоздать.
• Держите говорящего постоянным. Все сегменты должны читаться как один и тот же человек. Подсказывайте эмоцию, а не персонажа.
• Меняйте тон на границах, а не посреди предложения. Переключения в середине сегмента трудно проверять, и они легко выглядят резкими.
• Ограничьте себя небольшим словарём тонов на проект и переиспользуйте его. Пять хорошо понятых ярлыков лучше двадцати выдуманных.

Поскольку сегменты независимы, отклонённая строка требует перезапуска лишь одного сегмента, а не перегенерации всей дорожки. Это также делает A/B-тестирование дешёвым: измените подсказку seg-03, оставив остальное неизменным.

Тестируйте вывод и фиксируйте рецепт

Пока вы его не услышали, рецепт — лишь гипотеза. Цикл короткий и не требует инструментов, кроме папки и соглашения об именовании.

Цикл

1. Черновик. Напишите или отредактируйте файл рецепта. Меняйте по одной вещи за раз — одну подсказку, один шаблон пунктуации, одно разбиение на сегменты.
2. Генерация. Сгенерируйте аудио для всего скрипта, а не только для отредактированного сегмента. Ритм контекстно-зависим, и изменение одного сегмента меняет чтение соседних.
3. Сравнение. Прослушайте новый вывод и последнюю утверждённую версию подряд на одной колонке или в наушниках. Оценивайте ритм, ударения и переходы тона по отдельности; они отказывают независимо.

Если новая версия побеждает, повысьте её. Если нет, откатите файл и сохраните в сообщении коммита запись о том, почему это не сработало.

Что записывать

• Полный файл рецепта в точности в том виде, в каком он был отправлен.
• Отрендеренное аудио, сохранённое рядом под соответствующим именем.
• Одну строку вывода на каждое сравнение: что изменилось, что улучшилось, что ухудшилось.

Фиксация

Когда рецепт утверждён, поставьте ему тег — v1, v1.1 или тег на основе даты, в зависимости от соглашения, уже принятого в вашем проекте. С этого момента тегированный рецепт — это выпущенный артефакт; дальнейшие правки ответвляются от него. Если версия модели меняется у вас под ногами, сначала перегенерируйте из тегированного рецепта, чтобы измерить расхождение относительно известного эталона, а не по памяти.

Два правила делают фиксацию действенной: никогда не редактируйте зафиксированный рецепт на месте и никогда не публикуйте аудио, рецепт генерации которого отсутствует в репозитории.

Распространённые ошибки в рецептах и способы их исправления

Это самые частые сценарии отказа, возникающие после того, как команды начинают версионировать рецепты. У каждого есть текстовое исправление.

Избыточные подсказки

Нагромождение инструкций исполнения, ярлыков тона, маркеров ударения и скобочных указаний в одном сегменте. Результат — нестабильное чтение и рецепт, который никто не может поддерживать.

Исправление: одна инструкция исполнения на рецепт, одна подсказка тона на сегмент, остальное — на пунктуацию. Если сегменту нужно три инструкции, скорее всего, это два сегмента.

Несогласованная пунктуация

Тире и многоточия используются где-то декоративно, а где-то — со смыслом. Один и тот же знак затем даёт разные паузы по всему скрипту.

Исправление: закрепите за каждым знаком ровно одну обязанность и проверяйте файл на нарушения перед генерацией. Поиск ... и — занимает считанные секунды.

Невоспроизводимый скрипт

Скопированный текст содержит типографские кавычки, лишние пробелы или скобочные пометки, предназначенные для человеческого рецензента, которые зачитываются вслух.

Исправление: держите текст скрипта свободным от всего, что не предназначено для произнесения, нормализуйте кавычки и пробелы в редакторе и сравнивайте файл в диффе после каждой вставки.

Настроение на весь скрипт

Одна инструкция «воодушевлённо» или «серьёзно» охватывает несколько минут аудио.

Исправление: перенесите подсказки тона в сегменты, держите говорящего постоянным и позволяйте настроению меняться на границах, которые вы можете проверить на слух.

Непроверенные правки

Промпт меняют и сразу публикуют, не слушая, потому что текст выглядит нормально.

Исправление: генерируйте и сравнивайте перед повышением версии. Промпт, который правильно читается на бумаге, всё равно может сместить ритм или ударения.

В случае сомнений сокращайте инструкции, а не добавляйте их. Короткий рецепт с чистой пунктуацией и честными границами сегментов воспроизводится легче, чем длинный, пытающийся контролировать всё. Стройте рецепт, слушайте вывод, фиксируйте то, что работает.