The Pulse
Together AI ergänzt Qwen3 TTS und verweist auf erste Audioausgabe nach nur 97 ms
Qwen3 TTS ist über Together AIs serverlosen Inferenzdienst und dedizierte Endpunkte verfügbar. Together zufolge können gestreamte Antworten bereits nach 97 Millisekunden erste Audioausgabe liefern.

Entwickler können Qwen3 TTS jetzt über Together AIs serverlosen Inferenzdienst oder dedizierte Endpunkte nutzen. Together zufolge können gestreamte Antworten bereits nach 97 Millisekunden erste Audioausgabe liefern.
Das offene Text-zu-Sprache-Modell bietet neun voreingestellte Stimmen, deren Sprechweise sich mit einer Anweisung in natürlicher Sprache ändern lässt. Der serverlose Dienst kostet 20 US-Dollar pro 1 Million Zeichen.
Stimmen und Sprachen
Jede voreingestellte Stimme unterstützt Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch. Entwickler können dieselbe Stimme beibehalten und zugleich ihren Ton oder die Sprache ändern, in der sie spricht.
Nutzer müssen den Text in der ausgewählten Sprache bereitstellen; die mehrsprachigen Beispiele in Together’ Beitrag verwenden jeweils separat übersetzten Text. Jede Stimme hat außerdem eine Muttersprache, und Qwen empfiehlt, sie für die beste Qualität in dieser Sprache zu verwenden.
Die voreingestellten Stimmen umfassen zwei englische, fünf chinesische, eine japanische und eine koreanische Stimme. Zwei der chinesischen Stimmen sind bestimmten Dialekten zugeordnet: dylan dem Pekinger Dialekt und eric dem Sichuan-Dialekt.
Stimme, Sprache und Sprechweise lassen sich in derselben Sprachanfrage festlegen. Im Python-SDK werden Anweisungen über extra_body übergeben; Together weist darauf hin, dass ein falsch geschriebenes instructions-Feld ohne Fehlermeldung übersprungen wird.
Voreingestellte Stimmen anhören
VoiceFinder listet die Qwen3-TTS-Stimmen auf und ermöglicht es Nutzern, sich eine Hörprobe jeder Stimme anzuhören oder mit eigenem Text Sprache zu erzeugen. Benutzerdefinierter Text darf bis zu 500 Zeichen umfassen; Nutzer können den Vorgang mit einer anderen Stimme wiederholen, um dieselbe Passage zu vergleichen.
Das Tool stellt außerdem die Anfrage für eine ausgewählte Stimme in Python, TypeScript oder cURL bereit. Im Modellmenü ist das Angebot als Qwen/Qwen3-TTS-12Hz-1.7B aufgeführt.
Streaming und Ausgabe
Wenn der vollständige Text vorliegt, kann die Sprach-API Audio über HTTP als Server-Sent Events streamen. Jedes Audioausgabeereignis enthält einen Base64-kodierten Audio-Chunk, sobald dieser erzeugt wird.
Der WebSocket-Endpunkt nimmt Text stückweise entgegen, auch Text, der von einem Sprachmodell kommt. Der Server synthetisiert jeden Satz, sobald der vollständige Satz vorliegt, und die Eingabe wird abgeschlossen, wenn sie vollständig ist.
Die Verbindung übermittelt Modell, Stimme, Sprache und Audioeinstellungen in ihrer URL. Audio wird in denselben Base64-Ereignissen zurückgegeben, die auch der HTTP-Stream verwendet.
Qwen3 TTS unterstützt die Ausgabe in WAV, MP3, rohem PCM und mu-law; Opus, AAC und FLAC werden nicht unterstützt. Die standardmäßige Abtastrate beträgt 24000; auch 8000 ist verfügbar. Wort-Zeitstempel werden für das Modell nicht unterstützt.
Quellen
- Originalquelle · Blogbeitrag Together AI together.ai
Unternehmen in dieser Meldung
Verwandte Meldungen
- AWS-Kunden können PolyAIs Sprachdialogmodell jetzt über SageMaker JumpStart bereitstellen
- FlashInfer auf ROCm routet AMD-GPU-Kernels automatisch
- Google erklärt, wie sich KI-Chatverläufe zu Gemini übertragen lassen
- Google führt Gemini-Computernutzung auf dem Mac für KI-Abonnenten ein
- Kyutai veröffentlicht AURA-5B für nicht kommerzielle Talking-Head-Videos