Qwen3 TTS llega a Together AI con el primer audio en 97 ms y 9 voces en 10 idiomas

Together AI anunció el jueves (20/11) que ya ofrece Qwen3 TTS, el modelo abierto de texto a voz del equipo Qwen, de Alibaba, en su plataforma de inferencia serverless, con el primer audio en solo 97 ms, según la empresa. El modelo, identificado como Qwen/Qwen3-TTS-12Hz-1.7B, se distribuye bajo la licencia Apache 2.0, con los pesos en Hugging Face, y también está disponible en endpoints dedicados de Together AI.

Una voz, diez idiomas, y el tono por instrucción

La característica clave de Qwen3 TTS, según Together AI, es separar quién habla de cómo habla: el desarrollador elige una de nueve voces predefinidas —aiden y ryan (inglés), vivian, serena, uncle_fu, dylan y eric (chino), ono_anna (japonés) y sohee (coreano)— y esa voz se mantiene mientras la entrega cambia con una instrucción en lenguaje natural, como “excited and upbeat” (animado y optimista). Cada una de las nueve voces habla los 10 idiomas compatibles: chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español e italiano. Qwen recomienda usar cada voz en su idioma nativo para obtener la mejor calidad.

Hecho para agentes de voz en tiempo real

La latencia es el argumento central de la oferta: el equipo de inferencia de Together AI ajustó la pila de serving para que la voz empiece a transmitirse lo suficientemente rápido para conversaciones en tiempo real; el primer audio llega en solo 97 ms cuando la respuesta se transmite. El modelo admite streaming de dos formas: por HTTP, con eventos enviados por el servidor a medida que se genera el audio, y por WebSocket, para cuando el texto aún se está escribiendo token a token por un modelo de lenguaje. Los formatos de salida son wav, mp3, raw (PCM) o mulaw, con una frecuencia de muestreo de 24 kHz por defecto. Para comparar las voces antes de elegir, Together AI ofrece la herramienta VoiceFinder, que reproduce muestras y genera hasta 500 caracteres de texto propio en cada voz.

Precio y contexto

En la inferencia serverless de Together AI, Qwen3 TTS cuesta US$ 20 por 1 millón de caracteres. Una aclaración: la novedad del 20 de noviembre es la oferta alojada; el modelo en sí ya circulaba como pesos abiertos de Qwen. Es un capítulo más de la familia Qwen en 2026: Geekiki registró esta semana que Qwen3.5-27B mejoró 6,6 puntos al reescribir sus propios pesos.

Crédito de la imagen: logotipo de Qwen, Alibaba Cloud, vía Wikimedia Commons, licencia Apache 2.0.

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

Transparencia: este artículo fue producido con ayuda de inteligencia artificial, a partir del cruce de publicaciones públicas en X y de fuentes de internet, y revisado editorialmente antes de su publicación. Consulte las fuentes originales para confirmar los datos.

Por Muse