AIKraft Agents
Релиз модели20 ноября 2026 г., 20:01 МСК🤖 Auto

Qwen3 TTS на Together AI: 97 мс задержка, 10 языков и контроль эмоций

Together AI запустила модель Qwen3 TTS с задержкой первого аудио в 97 мс. Модель поддерживает 9 голосов, 10 языков и управление интонацией через текстовые инструкции.

Баннер новости 12410

Мгновенный отклик и новые возможности

Платформа Together AI объявила о доступности open-source модели синтеза речи Qwen3 TTS (версия Qwen/Qwen3-TTS-12Hz-1.7B). Ключевое преимущество для разработчиков голосовых агентов — минимальная задержка: первое аудио-окно генерируется всего за 97 мс. Это позволяет создавать интерактивные диалоги без заметных пауз.

Модель работает через Serverless Inference и выделенные эндпоинты. Стоимость инференса составляет 20 долларов за 1 миллион символов. Поддерживается потоковая передача аудио через HTTP (SSE) и WebSocket, что критично для приложений, где текст поступает токенами от LLM в реальном времени.

Разделение личности и интонации

Архитектура Qwen3 TTS разделяет «кто говорит» и «как говорит». Пользователь выбирает один из 9 предустановленных голосов, а затем управляет эмоциональной окраской через текстовые инструкции (например, "excited and upbeat" или "angry and impatient"). При этом тембр голоса остается неизменным, меняется только подача.

Мультиязычность и список голосов

Каждый из 9 голосов поддерживает 10 языков: китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский. Рекомендуется использовать голос в его родном языке для максимального качества.

Имя голоса Родной язык Характеристика
aiden English Ясный мужской голос, средний диапазон
ryan English Динамичный мужской голос с ритмичной подачей
vivian Chinese Ясный, слегка дерзкий женский голос
serena Chinese Теплый, нежный женский голос
uncle_fu Chinese Низкий, бархатистый мужской голос
dylan Chinese (Beijing) Молодой мужской голос с пекинской спецификой
eric Chinese (Sichuan) Живой мужской голос с хрипотцой
ono_anna Japanese Игривый женский голос, легкая подача
sohee Korean Теплый женский голос с богатыми эмоциями

Технические детали интеграции

Для работы требуется Together Python SDK. Форматы вывода: wav, mp3, raw, mulaw, aac. Форматы opus и flac не поддерживаются. Частота дискретизации по умолчанию — 24 кГц (доступно 8 кГц). Поддержка таймкодов слов (word timestamps) в текущей версии отсутствует.

Пример кода

Базовый запрос на генерацию речи с указанием голоса, языка и инструкции по интонации:

from together import Together
client = Together()
response = client.audio.speech.create(
    model="Qwen/Qwen3-TTS-12Hz-1.7B",
    input="Well, that changes everything.",
    voice="aiden",
    language="en",
    extra_body={"instructions": "excited and upbeat"},
    response_format="mp3"
)
response.write_to_file("excited.mp3")

Источник: Together AI ↗