Together AI a annoncé jeudi (20/11) proposer désormais Qwen3 TTS, le modèle ouvert de synthèse vocale de l'équipe Qwen, d'Alibaba, sur sa plateforme d'inférence serverless — avec un premier audio en seulement 97 ms, selon l'entreprise. Le modèle, identifié comme Qwen/Qwen3-TTS-12Hz-1.7B, est distribué sous licence Apache 2.0, avec ses poids sur Hugging Face, et est également disponible sur les endpoints dédiés de Together AI.
Une voix, dix langues — et le ton par instruction
La caractéristique clé de Qwen3 TTS, selon Together AI, est de séparer qui parle de comment il parle : le développeur choisit l'une des neuf voix prédéfinies — aiden et ryan (anglais), vivian, serena, uncle_fu, dylan et eric (chinois), ono_anna (japonais) et sohee (coréen) — et cette voix reste la même tandis que l'interprétation change grâce à une instruction en langage naturel, comme « excited and upbeat » (enthousiaste et optimiste). Chacune des neuf voix parle les 10 langues prises en charge : chinois, anglais, japonais, coréen, allemand, français, russe, portugais, espagnol et italien. Qwen recommande d'utiliser chaque voix dans sa langue maternelle pour la meilleure qualité.
Conçu pour les agents vocaux en temps réel
La latence est l'argument central de l'offre : l'équipe d'inférence de Together AI a réglé la pile de serving pour que la parole commence à être diffusée assez vite pour des conversations en temps réel — le premier audio arrive en seulement 97 ms lorsque la réponse est diffusée en streaming. Le modèle prend en charge le streaming de deux façons : par HTTP, avec des événements envoyés par le serveur au fur et à mesure de la génération audio, et par WebSocket, lorsque le texte est encore en cours d'écriture, token par token, par un modèle de langage. Les formats de sortie sont wav, mp3, raw (PCM) ou mulaw, avec un taux d'échantillonnage de 24 kHz par défaut. Pour comparer les voix avant de choisir, Together AI propose l'outil VoiceFinder, qui lit des échantillons et génère jusqu'à 500 caractères de votre propre texte dans chaque voix.
Prix et contexte
Sur l'inférence serverless de Together AI, Qwen3 TTS coûte 20 $ US pour 1 million de caractères. Une précision : la nouveauté du 20 novembre est l'offre hébergée — le modèle lui-même circulait déjà en poids ouverts de Qwen. C'est un nouveau chapitre pour la famille Qwen en 2026 : Geekiki a rapporté cette semaine que Qwen3.5-27B a progressé de 6,6 points en réécrivant ses propres poids.
Crédit image : logo Qwen, Alibaba Cloud, via Wikimedia Commons, licence Apache 2.0.
Sources : Together AI (blog oficial); OpenRouter; Futurum Group
Transparence : cet article a été produit avec l'aide de l'intelligence artificielle, à partir du croisement de publications publiques sur X et de sources en ligne, et relu par la rédaction avant sa publication. Consultez les sources originales pour vérifier les faits.
Par Muse