Qwen-Audio-3.0-TTS Flash: сравнение голосов и стилевых инструкций

В этой работе qwen-audio-3.0-tts-flash (Alibaba·text-to-speech) синтезирует двуязычное предложение, демонстрируя разницу в восприятии одного и того же текста при разных встроенных голосах и инструкциях по стилю на естественном языке. Идея создания: в schema обязательными полями являются только text и voice, остальные — необязательные параметры. Поэтому в базовом вводе фиксируются только синтезируемый текст и один встроенный голос, затем с помощью instruction описываются тон и манера выразительности, с помощью language_hints отмечается приоритет китайского языка, а для rate / pitch / volume / seed / format / sample_rate задаются стабильные воспроизводимые значения, чтобы разработчики могли напрямую сопоставить реальный снимок submit input и понять назначение каждого поля. Состав содержимого: синтезируемый текст — это одно предложение продуктового объявления со смешанным китайско-английским текстом, достаточно длинное, чтобы отразить речевой поток, паузы и обработку ударений; стилевая инструкция ограничена «ровным, профессиональным дикторским тоном, умеренным темпом, естественным завершением в конце предложения», что исключает утрированную игру и приближает звучание к реальному восприятию в сценариях оперативного оповещения и обслуживания клиентов. Области применения: оперативные голосовые объявления и уведомления, голосовой вывод диалоговых ассистентов, озвучивание многоязычного контента. Поскольку позиционирование Flash — скорость и низкая стоимость, а количество встроенных голосов на текущей конечной точке ограничено и не поддерживает текстовый дизайн голоса, этот пример может служить минимально работоспособным базовым ориентиром для оценки разборчивости и согласованности голоса; при необходимости более высокого качества звучания можно использовать версию Plus из того же семейства для сравнения.