Начиная с сегодняшнего дня, разработчики могут запускать Qwen3 TTS на Together AI, получая первый аудиофрагмент всего за 97 мс.
Qwen3 TTS — это открытая модель преобразования текста в речь (text-to-speech), которая разделяет то, кто говорит, и то, как он говорит. Вы выбираете один из девяти предустановленных голосов, и этот голос остается неизменным, пока вы меняете манеру речи с помощью простых инструкций, таких как «возбужденно и жизнерадостно», или переключаете его между 10 языками.
Команда инференса Together AI оптимизировала стек обслуживания для Qwen3 TTS, чтобы потоковая передача речи начиналась достаточно быстро для общения в реальном времени. Модель уже доступна в Together Serverless Inference и на выделенных эндпоинтах.
Укажите, как произнести фразу
Одна и та же фраза может звучать как хорошая или плохая новость в зависимости от того, как она произнесена, и с Qwen3 TTS вы сами решаете это, описывая манеру речи несколькими словами. Здесь голос aiden читает одну строку трижды. Голос и слова не меняются между клипами, меняется только инструкция.
aiden · возбужденно и жизнерадостно
0:00
«Well, that changes everything.»
aiden · сердито и нетерпеливо
0:00
«Well, that changes everything.»
aiden · грустно и разочарованно
0:00
«Well, that changes everything.»
Инструкция управляет манерой речи, а голос остается тем, который вы выбрали. Вы также можете сохранить этот же голос при смене языка.
Один голос для 10 языков
Каждый предустановленный голос говорит на всех 10 поддерживаемых языках: китайском, английском, японском, корейском, немецком, французском, русском, португальском, испанском и итальянском. Это позволяет продукту сохранять один и тот же голос при выходе на новый рынок. Здесь aiden, английский голос, читает одно и то же обновление заказа на четырех языках.
aiden · Английский (en)
0:00
«Your order has shipped and should arrive on Thursday.»
aiden · Испанский (es)
0:00
«Tu pedido ha sido enviado y debería llegar el jueves.»
aiden · Немецкий (de)
0:00
«Ihre Bestellung wurde versandt und sollte am Donnerstag ankommen.»
aiden · Японский (ja)
0:00
«ご注文の商品は発送済みで、木曜日に到着する予定です。»
Предоставляйте текст на выбранном вами языке; в четырех клипах выше используется отдельно переведенный текст. У каждого голоса также есть родной язык, и Qwen рекомендует использовать голос на его родном языке для достижения наилучшего качества, поэтому прослушайте языки, необходимые вашему приложению, прежде чем остановиться на пресете.
Выберите голос в VoiceFinder
Самый быстрый способ выбрать пресет — услышать, как каждый из них произносит ваши собственные фразы. VoiceFinder перечисляет голоса Qwen3 TTS, проигрывает образец каждого из них и читает введенный вами текст любым из них.
- Откройте voicefinder.together.ai, выберите Qwen/Qwen3-TTS-12Hz-1.7B в меню моделей и нажмите Find voices.
- Выберите Preview, чтобы прослушать образец голоса.
- Выберите Try custom text, введите до 500 символов и нажмите Generate, чтобы услышать, как этот голос читает ваш текст. Повторите с другим голосом, чтобы сравнить их на одном и том же тексте.
- Выберите Show code, чтобы получить код запроса для этого голоса на Python, TypeScript или cURL.
Девять предустановленных голосов с указанием родного языка каждого и описанием от Qwen:
Генерация речи
Вам понадобится Together Python SDK (pip install together) и TOGETHER_API_KEY. Этот запрос устанавливает голос, язык и инструкцию одновременно и создает возбужденное прочтение строки выше.
Python SDK передает инструкции через extra_body. Если кажется, что инструкция не меняет манеру речи, проверьте, правильно ли написано название поля — instructions, так как поле с опечаткой пропускается без вывода ошибки.
Параметры для этой модели:
Временные метки слов (alignment=word) не поддерживаются для Qwen3 TTS.
Потоковая передача аудио для голосового агента
В голосовом агенте речь должна начинаться до того, как будет синтезирован весь ответ. На Together AI Qwen3 TTS возвращает первый аудиофрагмент всего за 97 мс и поддерживает потоковую передачу двумя способами. Выбор подходящего зависит от того, есть ли у вас полный текст на момент запроса.
Когда у вас есть полный текст: потоковая передача по HTTP
При stream=True и response_format="raw" API речи возвращает события, отправляемые сервером (server-sent events), по мере генерации аудио. Каждое событие conversation.item.audio_output.delta содержит фрагмент аудио в кодировке base64. Этот скрипт принимает поток, декодирует каждый фрагмент и сохраняет аудио в файл.
Выходные данные представляют собой 16-битный моно PCM с частотой 24 кГц, и инструкция применяется к потоковому запросу так же, как и к обычному. Чтобы воспроизводить речь по мере поступления, отправляйте каждый декодированный фрагмент на аудиовыход вместо файла.
Когда текст еще пишется: WebSocket
Если текст поступает из языковой модели токен за токеном, эндпоинт WebSocket позволяет отправлять его по частям. Вы открываете одно соединение, добавляете текст по мере его появления и подтверждаете (commit), когда ввод завершен; сервер синтезирует каждое предложение, как только получает его целиком. Этот скрипт отправляет обновление заказа двумя частями и сохраняет возвращаемое аудио. Для него требуется пакет websockets версии 14 или выше (pip install websockets).
URL соединения содержит настройки модели, голоса, языка и аудио (эндпоинт WebSocket называет необработанный PCM как pcm), а аудио поступает в тех же событиях base64, что и в HTTP-потоке. В руководстве по WebSocket перечислены все типы сообщений.
С чего начать
- Сравните голоса в VoiceFinder
- Прочитайте документацию по text-to-speech, руководство по потоковой передаче и руководство по WebSocket
- Посмотреть страницу модели Qwen3 TTS
- Прочитайте карточку модели Qwen на Hugging Face
Часто задаваемые вопросы
Сколько стоит Qwen3 TTS на Together AI?
Qwen3 TTS стоит $20 за 1 млн символов в Together Serverless Inference. Модель также доступна на выделенных эндпоинтах.
Насколько быстра Qwen3 TTS на Together AI?
Qwen3 TTS возвращает первый аудиофрагмент всего за 97 мс на Together AI при потоковой передаче ответа благодаря стеку обслуживания, который наша команда инференса оптимизировала для передачи голоса в реальном времени.
Как управлять тоном голоса Qwen3 TTS?
Отправьте описание манеры речи на обычном языке в поле instructions запроса, например, excited and upbeat. В Python SDK передайте его через extra_body. Инструкция меняет эмоции и тон голоса, но не меняет того, кому этот голос принадлежит.
Может ли один голос Qwen3 TTS говорить на нескольких языках?
Да, каждый из девяти предустановленных голосов Qwen3 TTS может говорить на всех 10 поддерживаемых языках. Установите в параметре voice имя голоса, а в language — язык текста, и отправьте текст на этом языке. Qwen рекомендует использовать каждый голос на его родном языке для достижения наилучшего качества.
Поддерживает ли Qwen3 TTS потоковую передачу на Together AI?
Да, Qwen3 TTS поддерживает потоковую передачу на Together AI двумя способами. По HTTP: установите stream в значение true и response_format в raw, чтобы получать события, отправляемые сервером, с PCM-аудио в кодировке base64. Через WebSocket: отправляйте текст по частям и получайте аудио по мере его генерации.
Какие аудиоформаты возвращает Qwen3 TTS?
Qwen3 TTS возвращает аудио в форматах wav, mp3, raw (PCM) или mulaw на Together AI с частотой дискретизации 24000 (по умолчанию) или 8000. Она не возвращает opus, aac или flac.
Как сравнить голоса Qwen3 TTS перед выбором?
Откройте VoiceFinder и выберите Qwen/Qwen3-TTS-12Hz-1.7B в меню моделей. Вы можете прослушать каждый голос и сгенерировать до 500 символов собственного текста с его помощью.
Является ли Qwen3 TTS открытым исходным кодом?
Да, Qwen выпустила Qwen3 TTS 12Hz 1.7B под лицензией Apache 2.0. Веса модели доступны на Hugging Face.












