Dos versiones disponibles:
*
destello
- para interfaces de voz en tiempo real
*
Más
- por generación con énfasis en la naturalidad y la reproducción precisa del timbre
El modelo admite 16 idiomas, incluido el ruso. El estilo de habla se puede establecer en texto plano: por ejemplo, pida leer despacio, con calma o como un cuento de hadas antes de acostarse.
Las etiquetas de control también están incrustadas en el texto:
[enojado]
,
[susurros]
,
[risas]
,
[suspiro]
y otros. Se han agregado un total de 86 etiquetas para controlar las emociones, el ritmo y los sonidos no relacionados con el habla.
Qwen-Audio-3.0-TTS
Puede clonar una voz incluso a partir de una grabación ruidosa y generar hasta tres minutos de audio en una sola pasada. La versión Plus ocupa actualmente el puesto número uno en el ranking de Análisis Artificial de TTS Arena.
Blog y ejemplos:
https://funaudiollm.github.io/qwen-audio-3.0-tts/
Documentación API:
https://www.alibabacloud.com/help/en/model-studio/realtime-tts-user-guide