给大家带来刚发布的 Qwen3-TTS-Flash 实测,直接说结论。
试了8个中文模型均表现良好,很稳定,没有遇到偶尔中文吐字不清的情况。
不过测试日语的时候出现了问题,在自动识别语言的情况,它会把字符当作中文,比如测试中歌词的那个繁体的"夢", 实际上日文汉字也是这个字,在 unicode 编码中这俩字是一个。所以模型就出错了,当成中文读了出来。所以建议大家做语言混合输出的时候需要注意这类问题,或者干脆直接选日文,就没事了。
另外,我建议给模型增加说话人情绪选择,比如是开心的语调还是痛苦的语调,这就更好了。
P.S. 这应该是个闭源模型