A Together AI anunciou que o Qwen3 TTS, modelo aberto de texto para fala da Qwen, já pode ser executado em sua plataforma, tanto no Together Serverless Inference quanto em endpoints dedicados. O uso serverless custa US$ 20 por 1M de caracteres.
O que o modelo faz
O modelo separa a identidade de quem fala do jeito de falar. Você escolhe uma de nove vozes prontas, e essa voz continua reconhecível enquanto uma instrução curta em texto muda a forma de entrega. A fonte dá exemplos como "animado e empolgado", "irritado e impaciente" e "triste e decepcionado", todos aplicados à mesma frase lida pela mesma voz.
Todas as vozes falam os mesmos 10 idiomas: chinês, inglês, japonês, coreano, alemão, francês, russo, português, espanhol e italiano. O texto precisa chegar já no idioma de destino, porque o modelo não traduz. Cada voz tem um idioma nativo, e a Qwen recomenda usar uma voz do idioma em questão para obter a melhor qualidade. Das nove, duas são em inglês, quatro em chinês (duas delas nos dialetos de Pequim e de Sichuan), uma em japonês e uma em coreano.
Velocidade e streaming
A Together diz que sua equipe de inferência ajustou a pilha de serviço para que o primeiro áudio chegue em até 97 ms. É um número do próprio fornecedor, medido com a resposta em streaming, e não temos teste independente que o confirme. Há duas formas de fazer streaming:
- Streaming HTTP, para quando o texto completo já é conhecido de antemão. O áudio volta em eventos enviados pelo servidor (server-sent events), com blocos codificados de PCM bruto.
- WebSocket, para quando o texto chega aos poucos, por exemplo de um modelo de linguagem que está gerando a resposta. Você acrescenta o texto conforme ele aparece e confirma quando termina, e o servidor sintetiza cada frase assim que recebe a frase inteira.
Limites práticos
Os formatos de saída são wav, mp3, PCM bruto e mulaw, com taxa de amostragem de 24000 ou 8000. Opus, aac e flac não são aceitos, e timestamps por palavra não estão disponíveis neste modelo. O campo de instrução se chama instructions; um campo com erro de grafia é ignorado sem aviso, então uma voz que não obedece ao tom pedido provavelmente indica um erro de digitação.
Para escolher a voz, a Together indica sua ferramenta VoiceFinder, onde dá para selecionar o Qwen3 TTS, ouvir cada voz pronta e gerar até 500 caracteres do seu próprio texto. A Together também informa que a Qwen liberou o modelo de 1,7B sob a licença Apache 2.0, com os pesos no Hugging Face.
O que o anúncio não traz
O texto não informa preço de endpoint dedicado, limites de uso nem comparação de qualidade com outros modelos de voz. Quem quiser colocá-lo ao lado de um fornecedor de voz atual terá de testar com os próprios roteiros e medir a latência no próprio ambiente.