Alibaba запустила Qwen-Audio-3.0-TTS у хмарі: що насправді в релізі
Alibaba випустила хмарну модель синтезу мовлення у версіях Flash та Plus, проте документація розходиться з маркетинговими обіцянками.
Команда Qwen корпорації Alibaba представила хмарну модель синтезу мовлення Qwen-Audio-3.0-TTS, розгорнуту через Alibaba Cloud Model Studio у регіонах Сінгапур і Пекін. Лінійку розділили на дві версії: Flash для швидких відповідей голосових помічників та ігрових NPC, а також Plus для якісного озвучування контенту.
В основі моделі лежить аудіотокенізатор із частотою 12,5 кадра на секунду, що зменшує кількість кроків авторегресійної генерації. Модель може синтезувати до трьох хвилин мовлення за один запит без ручного склеювання фрагментів. Водночас це виключно хмарний API, що працює через WebSocket; завантажуваних ваг чи відкритого коду для локального розгортання в релізі немає.
Для версії Flash розробники заявляють затримку до першого пакета аудіо близько 300 мс, хоча реальний відгук для користувача залежатиме від мережі та розміру вхідного тексту. Офіційна вартість становить $15 за мільйон символів для Flash та $20 для Plus, хоча в окремих бенчмарках для Plus фіксується ціна у $27,6.
Керувати інтонацією пропонують через текстові інструкції та 86 вбудованих тегів, таких як зітхання чи сміх. Проте синтаксис у промо-матеріалах суперечить офіційній API-довідці (наприклад, [whisper] проти [whispers]), а самі теги наразі працюють лише в односпрямованому потоковому режимі, що ускладнює роботу з короткими репліками в діалогах.
Попри заявлену підтримку 16 мов, публічний список системних голосів наразі обмежений переважно англійською та китайською. Для інших мов генерація спирається на клонування за зразком тривалістю 10–20 секунд. Стійкість до шумного аудіо підтверджена лише внутрішніми тестами Alibaba, а публічна інструкція зі створення власних голосів явно описує роботу лише з моделлю Flash.
Щодо першого місця в рейтингу Artificial Analysis: станом на 23 липня 2026 року версія Plus дійсно очолила Provider Voice Arena з показником Elo 1234, але відрив від Simba 3.2 становить лише 4 бали, що входить у межі статистичної похибки. Крім того, це тестування охоплює виключно англомовні системні голоси, тому заяви про першість не поширюються на вимову складних наголосів чи омографів іншими мовами.
Джерело: habr
Коментарі
Допоможи покращити наступну версію: Додавай контекст або пропонуй виправлення. Після AI-перевірки коментарі можуть отримати бали для переписування. Перевірка й оновлення потребують часу; повна шкала не гарантує нової версії.