The Pulse
Together AI adiciona Qwen3 TTS e cita geração do primeiro áudio em apenas 97 ms
Qwen3 TTS está disponível no serviço de inferência serverless da Together AI e em endpoints dedicados. A Together diz que as respostas transmitidas em fluxo podem gerar o primeiro áudio em apenas 97 milissegundos.

Agora, desenvolvedores podem executar Qwen3 TTS no serviço de inferência serverless da Together AI ou em endpoints dedicados. A Together diz que as respostas transmitidas em fluxo podem gerar o primeiro áudio em apenas 97 milissegundos.
O modelo aberto de conversão de texto em fala oferece nove vozes predefinidas, cujo estilo de fala pode ser alterado com uma instrução em linguagem natural. O serviço serverless custa US$ 20 por 1 milhão de caracteres.
Vozes e idiomas
Cada voz predefinida oferece suporte a chinês, inglês, japonês, coreano, alemão, francês, russo, português, espanhol e italiano. Um desenvolvedor pode manter a mesma voz e mudar seu tom ou o idioma em que ela fala.
Os usuários precisam fornecer o texto no idioma selecionado; os exemplos multilíngues na publicação da Together usam textos traduzidos separadamente. Cada voz também tem um idioma nativo, e a Qwen recomenda usá-la nesse idioma para obter a melhor qualidade.
As vozes predefinidas incluem duas vozes em inglês, cinco em chinês, uma em japonês e uma em coreano. Duas das vozes em chinês são associadas a dialetos específicos: dylan, ao de Pequim, e eric, ao de Sichuan.
A voz, o idioma e a instrução de estilo de fala podem ser definidos na mesma solicitação de fala. No SDK de Python, as instruções são passadas por extra_body; a Together observa que um campo de instruções escrito incorretamente é ignorado sem gerar erro.
Prévia das vozes predefinidas
O VoiceFinder lista as vozes do Qwen3 TTS e permite que os usuários ouçam uma amostra de cada uma ou gerem fala a partir do próprio texto. O texto personalizado pode ter até 500 caracteres, e os usuários podem repetir o processo com outra voz para comparar o mesmo trecho.
A ferramenta também fornece a solicitação para uma voz selecionada em Python, TypeScript ou cURL. O menu de modelos identifica a opção como Qwen/Qwen3-TTS-12Hz-1.7B.
Transmissão em fluxo e saída
Em solicitações nas quais o texto completo está disponível, a API de fala pode transmitir áudio por HTTP como eventos enviados pelo servidor. Cada evento de saída de áudio contém um trecho de áudio codificado em base64 à medida que é gerado.
O endpoint WebSocket aceita texto em partes, inclusive texto recebido de um modelo de linguagem. O servidor sintetiza cada frase assim que ela está completa, e a entrada é confirmada quando termina.
A conexão inclui o modelo, a voz, o idioma e as configurações de áudio na URL. O áudio é retornado nos mesmos eventos base64 usados pelo fluxo HTTP.
Qwen3 TTS oferece saída em WAV, MP3, PCM bruto e mu-law; não oferece suporte a Opus, AAC e FLAC. A taxa de amostragem padrão é 24000, e 8000 também está disponível. O modelo não oferece suporte a marcações de tempo por palavra.
Fontes
- Fonte original · Post de blog Together AI together.ai
Empresas nesta notícia
Notícias relacionadas
- Clientes da AWS já podem implantar o modelo de diálogo por voz da PolyAI pelo SageMaker JumpStart
- FlashInfer no ROCm roteia automaticamente kernels de GPU da AMD
- Google lança uso do computador do Gemini no Mac para assinantes de IA
- Kyutai lança AURA-5B para vídeos de pessoas falando, com uso não comercial
- MLPerf Endpoints testa serviços de IA ao vivo sob cargas semelhantes às de produção