Alibaba выпустила Qwen-Audio-3.0-TTS - новую модель для синтеза речи

Доступны две версии:

* Flash - для голосовых интерфейсов в реальном времени

* Plus - для генерации с упором на естественность и точную передачу тембра

Модель поддерживает 16 языков, включая русский. Стиль речи можно задавать обычным текстом: например, попросить читать медленно, спокойно или как сказку перед сном.

В текст также встраиваются управляющие теги: [angry], [whispers], [laughing], [sighing] и другие. Всего добавлено 86 тегов для управления эмоциями, темпом и неречевыми звуками.

Qwen-Audio-3.0-TTS умеет клонировать голос даже по шумной записи и генерировать до трёх минут аудио за один проход. Версия Plus сейчас занимает первое место в рейтинге Artificial Analysis TTS Arena.

Блог и примеры: https://funaudiollm.github.io/qwen-audio-3.0-tts/

Документация API: https://www.alibabacloud.com/help/en/model-studio/realtime-tts-user-guide