qwen-audio-3.0-tts-flash

qwen-audio-3.0-tts-flash es un modelo de síntesis de voz de alto rendimiento, optimizado para escenarios de interacción en tiempo real. En comparación con la versión anterior, admite más idiomas de bajos recursos y dialectos chinos, mejora la autenticidad de los dialectos y potencia el seguimiento de instrucciones de estilo libre y el control de etiquetas de grano fino para un control más flexible sobre la emoción, el tono, el personaje, la velocidad de habla, el volumen y el estilo expresivo. También es más robusto bajo condiciones acústicas de ruido y reverberación, con una calidad de audio, claridad y expresividad general mejoradas. La versión Flash se centra en la síntesis en tiempo real, con una latencia del primer paquete controlada dentro de 200 ms, lo que la hace adecuada para asistentes de voz, diálogos en tiempo real, servicio al cliente inteligente y otras aplicaciones interactivas de baja latencia.