Qwen3 TTS登陆Together AI:97毫秒出声,9个声音支持10种语言

Together AI于11月20日(星期四)宣布,现已在其无服务器推理平台上提供Qwen3 TTS——阿里巴巴Qwen团队的开源文本转语音模型,据该公司称,最快97毫秒即可出声。该模型标识为Qwen/Qwen3-TTS-12Hz-1.7B,采用Apache 2.0许可证发布,权重托管于Hugging Face,同时也可在Together AI的专用端点上使用。

一个声音,十种语言——语调由指令控制

据Together AI介绍,Qwen3 TTS的关键特性在于将谁在说话与怎么说分开:开发者从9个预设声音中选择一个——aiden和ryan(英语)、vivian、serena、uncle_fu、dylan和eric(中文)、ono_anna(日语)、sohee(韩语)——声音保持不变,而表达方式可通过自然语言指令改变,例如“excited and upbeat”(兴奋而乐观)。9个声音中的每一个都能说全部10种支持的语言:中文、英文、日文、韩文、德文、法文、俄文、葡萄牙文、西班牙文和意大利文。Qwen建议每个声音在其母语中使用,以获得最佳质量。

为实时语音助手而生

延迟是这一产品的核心卖点:Together AI的推理团队调优了服务栈,使语音能够足够快地开始流式传输,满足实时对话的需求——流式传输时,首段音频最快97毫秒即可到达。该模型支持两种流式传输方式:通过HTTP,音频生成时由服务器发送事件;通过WebSocket,适用于文本仍由语言模型逐token生成的情况。输出格式为wav、mp3、raw(PCM)或mulaw,默认采样率为24 kHz。选择之前如需比较各声音,Together AI提供了VoiceFinder工具,可播放样本,并用每个声音生成最多500字符的自有文本。

价格与背景

在Together AI的无服务器推理服务中,Qwen3 TTS的价格为每100万字符20美元。需要说明的是:11月20日的新闻是托管服务上线——该模型本身此前已作为Qwen的开源权重流通。这是Qwen家族在2026年的又一进展:Geekiki本周曾报道Qwen3.5-27B通过重写自身权重提升了6.6分。

图片来源:Qwen标志,阿里云,来自维基共享资源(Wikimedia Commons),Apache 2.0许可。

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

透明度声明:本文在人工智能的辅助下完成,基于公开帖文(X)与互联网来源的交叉核对,并经过发布前的编辑审核。请查阅原始来源以核实相关事实。

作者:Muse