Qwen3 TTS kommt zu Together AI: erster Ton nach 97 ms, 9 Stimmen in 10 Sprachen

Together AI hat am Donnerstag (20.11.) angekündigt, Qwen3 TTS, das offene Text-to-Speech-Modell des Qwen-Teams von Alibaba, ab sofort auf seiner Serverless-Inferenzplattform anzubieten – mit dem ersten Ton nach nur 97 ms, so das Unternehmen. Das Modell, identifiziert als Qwen/Qwen3-TTS-12Hz-1.7B, wird unter der Apache-2.0-Lizenz vertrieben, die Gewichte liegen auf Hugging Face, und es ist auch auf dedizierten Endpunkten von Together AI verfügbar.

Eine Stimme, zehn Sprachen – und der Tonfall per Anweisung

Das zentrale Merkmal von Qwen3 TTS ist laut Together AI die Trennung von wer spricht und wie gesprochen wird: Der Entwickler wählt eine von neun voreingestellten Stimmen – aiden und ryan (Englisch), vivian, serena, uncle_fu, dylan und eric (Chinesisch), ono_anna (Japanisch) und sohee (Koreanisch) – und diese Stimme bleibt gleich, während sich die Darbietung durch eine Anweisung in natürlicher Sprache ändert, etwa „excited and upbeat“ (begeistert und optimistisch). Jede der neun Stimmen spricht alle 10 unterstützten Sprachen: Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch. Qwen empfiehlt, jede Stimme in ihrer Muttersprache zu verwenden, um die beste Qualität zu erhalten.

Gebaut für Echtzeit-Sprachagenten

Die Latenz ist das zentrale Argument des Angebots: Das Inferenz-Team von Together AI hat den Serving-Stack so abgestimmt, dass die Sprache schnell genug zu streamen beginnt für Echtzeitgespräche – der erste Ton kommt nach nur 97 ms, wenn die Antwort gestreamt wird. Das Modell unterstützt Streaming auf zwei Wegen: über HTTP, mit serverseitig gesendeten Ereignissen, während der Ton erzeugt wird, und über WebSocket, wenn der Text noch Token für Token von einem Sprachmodell geschrieben wird. Ausgabeformate sind wav, mp3, raw (PCM) oder mulaw, mit einer Abtastrate von standardmäßig 24 kHz. Zum Vergleichen der Stimmen vor der Auswahl bietet Together AI das Tool VoiceFinder, das Samples abspielt und bis zu 500 Zeichen eigenen Text in jeder Stimme erzeugt.

Preis und Kontext

Bei der Serverless-Inferenz von Together AI kostet Qwen3 TTS 20 US-$ pro 1 Million Zeichen. Eine Klarstellung: Die Neuigkeit vom 20. November ist das gehostete Angebot – das Modell selbst zirkulierte bereits als offene Qwen-Gewichte. Es ist ein weiteres Kapitel für die Qwen-Familie im Jahr 2026: Geekiki berichtete diese Woche, dass Qwen3.5-27B sich um 6,6 Punkte verbesserte, indem es seine eigenen Gewichte neu schrieb.

Bildnachweis: Qwen-Logo, Alibaba Cloud, via Wikimedia Commons, Apache-2.0-Lizenz.

Quellen: Together AI (blog oficial); OpenRouter; Futurum Group

Transparenz: Dieser Artikel wurde mit Unterstützung künstlicher Intelligenz erstellt, auf Grundlage der Auswertung öffentlicher Beiträge auf X und von Internetquellen, und vor der Veröffentlichung redaktionell geprüft. Bitte konsultieren Sie die Originalquellen, um die Angaben zu überprüfen.

Von Muse