The Pulse
Together AI aggiunge Qwen3 TTS, citando tempi di appena 97 ms per il primo audio
Qwen3 TTS è disponibile sul servizio di inferenza serverless di Together AI e tramite endpoint dedicati. Together afferma che le risposte in streaming possono produrre il primo audio in appena 97 millisecondi.

Gli sviluppatori possono ora eseguire Qwen3 TTS sul servizio di inferenza serverless di Together AI o tramite endpoint dedicati. Together afferma che le risposte in streaming possono produrre il primo audio in appena 97 millisecondi.
Il modello aperto di sintesi vocale offre nove voci preimpostate, la cui resa può essere modificata con un’istruzione in linguaggio naturale. Il servizio serverless costa 20 dollari per 1 milione di caratteri.
Voci e lingue
Ogni voce preimpostata supporta cinese, inglese, giapponese, coreano, tedesco, francese, russo, portoghese, spagnolo e italiano. Uno sviluppatore può mantenere la stessa voce cambiandone il tono o la lingua in cui parla.
Gli utenti devono fornire il testo nella lingua selezionata; gli esempi multilingue nel post di Together usano testi tradotti separatamente. Ogni voce ha anche una lingua nativa e Qwen consiglia di usarla in quella lingua per ottenere la qualità migliore.
Le voci preimpostate comprendono due voci inglesi, cinque cinesi, una giapponese e una coreana. Due delle voci cinesi sono associate a dialetti specifici: dylan al dialetto di Pechino ed eric a quello del Sichuan.
La voce, la lingua e l’istruzione sulla resa possono essere impostate nella stessa richiesta vocale. Nell’SDK Python, le istruzioni vengono passate tramite extra_body; Together segnala che un campo instructions scritto in modo errato viene ignorato senza generare un errore.
Ascoltare un’anteprima delle voci preimpostate
VoiceFinder elenca le voci di Qwen3 TTS e permette agli utenti di ascoltare un campione di ciascuna o di generare parlato dal proprio testo. Il testo personalizzato può contenere fino a 500 caratteri e gli utenti possono ripetere il processo con un’altra voce per confrontare lo stesso brano.
Lo strumento fornisce anche la richiesta per una voce selezionata in Python, TypeScript o cURL. Il menu del modello indica il modello offerto come Qwen/Qwen3-TTS-12Hz-1.7B.
Streaming e output
Per le richieste in cui è disponibile il testo completo, l’API vocale può trasmettere l’audio via HTTP come eventi inviati dal server. Ogni evento di output audio contiene un blocco audio codificato in base64, generato man mano.
L’endpoint WebSocket accetta testo in segmenti, compreso il testo in arrivo da un modello linguistico. Il server sintetizza ogni frase una volta che è completa e l’input viene finalizzato al termine dell’inserimento.
L’URL della connessione specifica il modello, la voce, la lingua e le impostazioni audio. L’audio viene restituito negli stessi eventi base64 usati dallo streaming HTTP.
Qwen3 TTS supporta l’output in WAV, MP3, PCM raw e mu-law; Opus, AAC e FLAC non sono supportati. La frequenza di campionamento predefinita è 24000, ma è disponibile anche 8000. Il modello non supporta i timestamp delle parole.
Fonti
- Fonte originale · Post del blog Together AI together.ai
Aziende in questa notizia
Notizie correlate
- Google lancia Gemini 3.8 Flash TTS per creare voci personalizzate
- La centratura dello score mantiene stabile l’apprendimento per rinforzo dei LLM al 30% sotto stress INT4
- I clienti AWS possono ora distribuire il modello di dialogo vocale di PolyAI tramite SageMaker JumpStart
- Muse di Meta può chiamare le aziende statunitensi per conto degli abbonati paganti
- ElevenLabs presenta in anteprima agenti per le aziende e il fine-tuning dei modelli