Together AI сообщила, что Qwen3 TTS - открытую модель синтеза речи от Qwen - теперь можно запускать на её платформе: и в Together Serverless Inference, и на выделенных эндпоинтах. Serverless-использование стоит $20 за 1 млн символов.
Что умеет модель
Модель разделяет личность голоса и манеру речи. Вы выбираете один из девяти готовых голосов, он остаётся узнаваемым, а короткая текстовая инструкция меняет подачу. В источнике приведены примеры вроде «взволнованно и бодро», «зло и нетерпеливо», «грустно и разочарованно», и все они применены к одной и той же фразе, которую читает один и тот же голос.
Все пресеты говорят на одних и тех же 10 языках: китайском, английском, японском, корейском, немецком, французском, русском, португальском, испанском и итальянском. Текст нужно подавать сразу на нужном языке, потому что модель ничего не переводит. У каждого голоса есть родной язык, и Qwen советует брать голос на этом языке ради лучшего качества. Из девяти голосов два английских, четыре китайских (два из них в пекинском и сычуаньском диалектах), один японский и один корейский.
Скорость и стриминг
По словам Together, её команда инференса настроила серверную часть так, что первый звук может прийти уже через 97 мс. Это цифра самого вендора, она измерена при потоковой выдаче ответа, независимой проверки у нас нет. Потоковой передачи есть два варианта:
- HTTP-стриминг подходит, когда весь текст известен заранее. Звук приходит как server-sent events с закодированными фрагментами сырого PCM.
- WebSocket подходит, когда текст поступает частями, например от языковой модели, которая генерирует ответ. Вы дописываете текст по мере появления и фиксируете его, когда он закончен, а сервер синтезирует каждое предложение, когда оно получено целиком.
Практические ограничения
Форматы вывода: wav, mp3, сырой PCM и mulaw с частотой дискретизации 24000 или 8000. Opus, aac и flac не поддерживаются, а временных меток по словам для этой модели нет. Поле с инструкцией называется instructions; если написать его с опечаткой, оно молча пропускается, так что голос, который игнорирует вашу просьбу о тоне, скорее всего, просто следствие опечатки.
Для выбора голоса Together предлагает инструмент VoiceFinder: в нём можно выбрать модель Qwen3 TTS, прослушать каждый пресет и сгенерировать до 500 символов собственного текста. Там же сказано, что Qwen выпустила модель на 1,7 млрд параметров (1.7B) под лицензией Apache 2.0, а веса лежат на Hugging Face.
Чего в анонсе нет
В публикации нет цен на выделенные эндпоинты, нет лимитов использования и нет сравнения качества с другими моделями синтеза речи. Командам, которые сравнивают её с нынешним голосовым провайдером, придётся тестировать на своих сценариях и самим замерять задержку в своей инфраструктуре.