qwen-audio-3.0-tts-plus 开发者提示词配方

为什么 TTS 提示词值得像代码一样严谨对待

大多数团队把文本转语音当作一次性操作：有人往演示框里输入一句话，音频听起来还行，提示词就消失在聊天记录里了。三周后一次文案改动迫使重新运行，却没人能复现原来的演绎效果。声音漂移了，节奏变了，唯一的解决办法是再猜一次。

这种失败模式是流程问题，不是模型问题。TTS 提示词是塑造输出的输入，和配置文件或模板字符串完全一样。如果它不存在于任何地方，就无法被审阅、比对差异或回滚。

把每个提示词当作一份配方：一个命名并带版本号的工件，将脚本与让它听起来正确的演绎指令配对。把它放在调用它的代码旁边，每当脚本文本变化、调用方变化或模型版本在你脚下更新时，就重新测试它。

回报是平淡而有价值的。当配方有版本记录时，一次失败的重新生成就变成了一次差异对比。利益相关者要求“让它更温暖”就变成了一个分支，而不是一次重写。而让新工程师上手，就是递给他一个文件夹，而不是靠记忆。

一条工作准则：如果一段音频好到可以发布，那么生成它的配方就好到可以提交。

可复用的 qwen-audio-3.0-tts-plus 配方解剖

一份经得起实际使用的配方有四个部分。把它们作为提示词文件中的独立字段，而不是一长串字符串，这样你可以只编辑一层而不碰其他层。

1. 演绎说明

一段简短的指令块，设定整体朗读风格：受众、节奏感、正式程度、目标媒介（讲解旁白、广告朗读、IVR 提示）。用平实的语言书写，并在系列中保持稳定。这是变化最少的一层。

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

2. 脚本正文

实际要朗读的词语。仅此而已。不要让舞台指示埋在句子中间，也不要有可能泄漏进音频的插入语。如果某个词不该被朗读出来，它就不属于这个字段。

3. 分段标记

用于将正文拆分为可独立指导的块的定界符——通常每块一到两句话。分段是附加语气和节奏注释的地方，所以它们必须无歧义且解析成本低。

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

4. 输出预期

一段人类可读的说明，描述结果听起来应该是什么样，以及你实际做的任何验证（时长范围、音节级抽查、已批准音频的链接）。这使得不在现场的人也能审阅配方。

每个用例将所有四部分存放在一个文件中，以用例而非模型命名，这样更换底层模型时不必强制重命名。配方首先应读作一份规格说明，其次才是一份提示词。

配方：旁白与配音节奏

TTS 中的节奏主要是一个写作问题。引擎读什么你就给什么，冗长不间断的句子往往读起来匆忙或强调怪异。解决办法是在触碰任何提示语言之前，先控制句子长度和换行。

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.

三件事让这变得可重复：

• 简短的开场分段。 早期每个标记一句话，给引擎清晰的边界，也给你可预测的节奏。
• 分段内的物理换行放在自然从句边界处。它们作为节奏提示，而不会增加听众会听成停顿的标点。
• 在演绎说明中明确写出句末降调。 以升调结尾的陈述听起来不确定，这是长篇旁白最常见的抱怨。

为耳朵写作，然后检查。把脚本大声读一遍；任何你喘不过气的地方就是该拆分段落的地方。如果一个句子包含不止一个想法，它就是两个句子。

配方：标点与停顿控制

标点是你已经拥有的节奏控制面。有意识地使用它，无需添加任何额外指令语言就能引导停顿长度和强调。大多数引擎遵循的大致顺序，从最短到最长停顿，是：

comma  <  dash  <  period  <  ellipsis

这个顺序是有用的默认值，不是保证——始终通过聆听来确认。下面的配方让每个标记只承担一项职责。

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.

保持可复现的实用约束：

• 一个标记，一种含义。 如果破折号有时表示“保持”，有时只是装饰，配方在重新运行时就不会读得一致。
• 避免堆叠标记。 多个感叹号或交错的省略号和破折号会产生不稳定的停顿。选一个。
• 不要过度加标点。 每三个词一个逗号会把朗读切碎，让演绎听起来像机器人。
• 测试极端情况。 将完全加标点的段落与同一文本的最低限度标点版本对比；差异告诉你引擎对标点有多看重。

因为标点更改是纯文本编辑，它们非常容易比对差异。这使得它成为迭代成本最低的配方层。

配方：按分段设置情绪和语气提示

整篇脚本的情绪指令是脆弱的。一条“听起来兴奋”的注释应用于五分钟音轨，会产生均匀响亮的朗读，并压平每个过渡。分段级提示是更好的工具：它们让情绪在一段连续音频内变化，并让你在某一行效果不对时只重新生成单个分段。

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.

让分段提示保持可控的准则：

• 命名语气，然后锚定它。 像“温暖”这样的裸标签是有歧义的。把它在这里的含义配对——令人安心、更慢、更柔和的结尾——这样未来的读者可以重新创建它。
• 保持说话者恒定。 所有分段都应读起来像同一个人。提示情绪，而不是人设。
• 在边界处改变语气，而不是在句子中间。 分段中间的切换难以验证，且容易显得突兀。
• 每个项目限制自己使用小型语气词汇表，并复用它们。五个充分理解的标签胜过二十个发明的标签。

因为分段是独立的，被拒绝的一行只需重新运行一个分段，而不是重新生成整条音轨。这也让 A/B 测试变得便宜：改变 seg-03 的提示，其余保持不变。

测试输出并锁定配方

在你听到之前，配方只是一个假设。循环很短，除了一个文件夹和命名约定之外不需要工具。

循环

1. 起草。 编写或编辑配方文件。一次只改一件事——一个提示、一个标点模式、一个分段拆分。
2. 生成。 为整个脚本生成音频，而不只是你编辑的分段。节奏是上下文相关的，一个分段的变化会改变相邻分段的读法。
3. 比较。 在同一扬声器或耳机上，将新输出与上一个批准的版本背靠背聆听。分别判断节奏、强调和语气过渡；它们会独立失败。

如果新版本胜出，就提升它。如果没有，就回退文件，并在提交信息中保留关于失败原因的记录。

需要记录什么

• 完整的配方文件，与发送时完全一致。
• 渲染的音频，以匹配的名称存储在旁边。
• 每次比较的一行结论：改了什么、什么改善了、什么退步了。

锁定

当配方获得批准时，给它打标签——v1、v1.1，或基于日期的标签，取决于你的项目已使用的约定。从那时起，带标签的配方就是已发布的工件；进一步的编辑从它分支。如果模型版本在你脚下变化，首先从带标签的配方重新生成，这样你可以对照已知参考而不是记忆来衡量差异。

两条规则让锁定生效：永远不要原地编辑已锁定的配方，也永远不要发布生成配方不在仓库中的音频。

常见配方错误及其修复方法

这些是团队开始对配方进行版本管理后最常出现的失败模式。每个都有文本级修复方法。

过度提示

把演绎说明、语气标签、强调标记和括号指示堆叠进一个分段。结果是朗读不稳定，配方没人能维护。

修复： 每个配方一条演绎说明，每个分段一个语气提示，其余由标点承担。如果一个分段需要三条指令，它很可能是两个分段。

标点不一致

在某些地方装饰性地使用破折号和省略号，在另一些地方则赋予意义。同一个标记随后在整个脚本中产生不同的停顿。

修复： 给每个标记分配恰好一项职责，并在生成前审计文件中的违规情况。搜索 ... 和 — 只需几秒钟。

不可重复的脚本

复制粘贴的文本带有智能引号、多余空白，或本意给人类审阅者的括号内容被朗读出来。

修复： 保持脚本正文不含任何不打算说的内容，在编辑器中规范化引号和间距，并在每次粘贴后比对文件差异。

整篇脚本情绪

一条“兴奋”或“严肃”指令覆盖数分钟音频。

修复： 将语气提示移到分段，保持说话者恒定，让情绪在你能用耳朵验证的边界处变化。

未经测试的编辑

因为文本看起来没问题，就更改提示并直接发布而不聆听。

修复： 在提升之前生成并比较。在纸面上读起来正确的提示词仍然可能在节奏或强调上漂移。

拿不准时，削减指令而不是添加指令。一份标点干净、分段边界诚实的简短配方，比一份试图控制一切的长配方更容易复现。构建配方，聆听输出，锁定有效的东西。