The Pulse
Together AI añade Qwen3 TTS y cita la llegada del primer audio en tan solo 97 ms
Qwen3 TTS está disponible en el servicio de inferencia sin servidor de Together AI y en puntos de conexión dedicados. Together afirma que las respuestas en streaming pueden producir el primer audio en tan solo 97 milisegundos.

Los desarrolladores ya pueden ejecutar Qwen3 TTS en el servicio de inferencia sin servidor de Together AI o en puntos de conexión dedicados. Together afirma que las respuestas en streaming pueden producir el primer audio en tan solo 97 milisegundos.
El modelo de texto a voz de código abierto ofrece nueve voces preestablecidas cuya forma de hablar se puede cambiar mediante una instrucción en lenguaje natural. El servicio sin servidor cuesta 20 dólares por cada 1 millón de caracteres.
Voces e idiomas
Cada voz preestablecida admite chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español e italiano. Un desarrollador puede mantener la misma voz y cambiar su tono o el idioma que habla.
Los usuarios deben proporcionar el texto en el idioma seleccionado; los ejemplos multilingües de la publicación de Together usan textos traducidos por separado. Cada voz también tiene un idioma nativo, y Qwen recomienda usarla en ese idioma para obtener la mejor calidad.
Las voces preestablecidas incluyen dos voces en inglés, cinco en chino, una en japonés y una en coreano. Dos de las voces chinas se identifican con dialectos concretos: dylan, con el dialecto de Pekín, y eric, con el de Sichuan.
La voz, el idioma y la instrucción sobre la forma de hablar se pueden configurar en la misma solicitud de voz. En el SDK de Python, las instrucciones se pasan mediante extra_body; Together señala que un campo «instructions» mal escrito se omite sin generar un error.
Vista previa de las voces preestablecidas
VoiceFinder muestra las voces de Qwen3 TTS y permite a los usuarios escuchar una muestra de cada una o generar voz a partir de su propio texto. El texto personalizado puede tener hasta 500 caracteres, y los usuarios pueden repetir el proceso con otra voz para comparar el mismo fragmento.
La herramienta también proporciona la solicitud para la voz seleccionada en Python, TypeScript o cURL. El menú de modelos identifica la oferta como Qwen/Qwen3-TTS-12Hz-1.7B.
Streaming y salida
Cuando se dispone del texto completo de una solicitud, la API de voz puede transmitir audio por HTTP como eventos enviados por el servidor. Cada evento de salida de audio incluye un fragmento de audio codificado en base64 a medida que se genera.
El punto de conexión WebSocket acepta texto por partes, incluido el texto que llega de un modelo de lenguaje. El servidor sintetiza cada oración cuando ya tiene la oración completa, y la entrada se confirma cuando está completa.
La conexión lleva el modelo, la voz, el idioma y la configuración de audio en su URL. El audio se devuelve en los mismos eventos base64 que se usan en la transmisión HTTP.
Qwen3 TTS admite salida en WAV, MP3, PCM sin procesar y mu-law; no admite Opus, AAC ni FLAC. La frecuencia de muestreo predeterminada es de 24000, y también está disponible 8000. El modelo no admite marcas de tiempo por palabra.
Fuentes
- Fuente original · Entrada de blog Together AI together.ai
Empresas en esta noticia
Noticias relacionadas
- Los clientes de AWS ya pueden desplegar el modelo de diálogo por voz de PolyAI a través de SageMaker JumpStart
- FlashInfer en ROCm enruta automáticamente los kernels de GPU de AMD
- Google lanza la función de uso del ordenador de Gemini en Mac para suscriptores de IA
- Kyutai publica AURA-5B para generar vídeos de personas hablando con fines no comerciales
- MLPerf Endpoints prueba servicios de IA en vivo con cargas similares a las de producción