Together AI anunció que Qwen3 TTS, un modelo abierto de texto a voz de Qwen, ya puede ejecutarse en su plataforma, tanto en Together Serverless Inference como en endpoints dedicados. El uso serverless cuesta $20 por 1M de caracteres.
Qué hace el modelo
El modelo separa la identidad de quien habla de la manera de hablar. Eliges una de nueve voces predefinidas y esa voz sigue siendo reconocible, mientras una breve instrucción de texto cambia cómo la dice. La fuente da ejemplos como "entusiasta y animado", "enfadado e impaciente" y "triste y decepcionado", todos aplicados a la misma frase leída por la misma voz.
Todas las voces hablan los mismos 10 idiomas: chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español e italiano. El texto hay que entregarlo ya en el idioma de destino, porque el modelo no traduce. Cada voz tiene un idioma nativo, y Qwen recomienda usar una voz de ese idioma para obtener la mejor calidad. De las nueve, dos son en inglés, cuatro en chino (dos de ellas con dialectos de Pekín y Sichuan), una en japonés y una en coreano.
Velocidad y streaming
Según Together, su equipo de inferencia ajustó la infraestructura de servicio para que el primer audio llegue en hasta 97 ms. Es una cifra del propio proveedor, medida cuando la respuesta se emite en streaming, y no disponemos de ninguna prueba independiente. Hay dos vías de streaming:
- Streaming HTTP, para cuando el texto completo se conoce de antemano. El audio vuelve como eventos enviados por el servidor, con fragmentos codificados de PCM sin procesar.
- WebSocket, para cuando el texto llega por partes, por ejemplo desde un modelo de lenguaje que genera una respuesta. Se añade texto a medida que aparece y se confirma cuando está completo; el servidor sintetiza cada frase en cuanto tiene la frase entera.
Límites prácticos
Los formatos de salida son wav, mp3, PCM sin procesar y mulaw, con frecuencia de muestreo de 24000 o 8000. No se admiten opus, aac ni flac, y este modelo no ofrece marcas de tiempo por palabra. El campo de la instrucción se llama instructions; si se escribe mal, se omite sin avisar, así que una voz que ignora el tono pedido probablemente tiene una errata.
Para elegir voz, Together remite a su herramienta VoiceFinder, donde se puede seleccionar el modelo Qwen3 TTS, escuchar cada voz predefinida y generar hasta 500 caracteres de texto propio. Together indica además que Qwen publicó el modelo de 1.7B con licencia Apache 2.0 y que los pesos están en Hugging Face.
Lo que el anuncio no dice
El anuncio no da precios de endpoints dedicados, ni límites de uso, ni una comparación de calidad con otros modelos de voz. Los equipos que lo comparen con su proveedor de voz actual tendrán que probarlo con sus propios guiones y medir la latencia en su entorno.