Пример многоязычного синтеза речи Qwen-Audio-3.0-TTS Flash

Эта работа реально сгенерирована через авторский канал qwen-audio-3.0-tts-flash: фрагмент закадрового текста со смешанным китайско-английским чтением, демонстрирующий фактические входные параметры и выход модели в сценарии размещённого TTS. Параметр voice использует встроенный тембр longanhuan_v3.6 уровня Flash, из language_hints берётся только первый элемент, поэтому данный пример в основном на китайском с вкраплениями английских терминов — как раз охватывает граничное поведение языковых подсказок. В base явно указаны rate, pitch, volume, sample_rate, format и seed, что позволяет разработчикам сверить значения и диапазоны параметров со схемой один к одному. Текст представляет собой закадровое пояснение возможностей для разработчиков: темп речи слегка замедлен, высота тона совпадает со значением по умолчанию; запись подходит в качестве звуковой дорожки продуктовой демонстрации, примера аудио для документации API или эталонной базовой линии для голосового вывода в реальном времени и интеллектуальном обслуживании клиентов. Следует отметить, что уровень Flash дешевле Plus того же семейства ($15 против $20 за миллион символов), средний WER/CER 3.87 — самый низкий в семействе, а схожесть с диктором 80.44 немного ниже, чем у Plus; клонирование голоса поддерживается на низком уровне, но в первой версии не открыто, также не поддерживается чисто текстовая разработка голоса, поэтому данный пример демонстрирует лишь встроенный тембр и управление естественно-языковыми инструкциями.