نموذج Qwen-Audio-3.0-TTS-Plus من Alibaba يتصدر تصنيفات تقنيات تحويل النص إلى كلام (TTS)

أحدثت شركة Alibaba طفرة في مشهد توليد الكلام بإطلاق Qwen-Audio-3.0-TTS-Plus، وهو نموذج جديد تصدر رسميًا قائمة المتصدرين في Speech Arena التابعة لـ Artificial Analysis. ومن خلال إعطاء الأولوية للفروق الدقيقة التعبيرية والعمق متعدد اللغات، تضع Alibaba معيارًا جديدًا للأصوات الاصطناعية عالية الدقة.

التفوق على عمالقة الصناعة في درجات Elo

تغير المشهد التنافسي لتقنية تحويل النص إلى كلام (TTS) في أعقاب أحدث التصنيفات الصادرة عن Artificial Analysis. فقد حجز نموذج Qwen-Audio-3.0-TTS-Plus من Alibaba المركز الأول لأصوات المزودين بدرجة Elo مذهلة بلغت 1,236. ويضعه هذا الفوز الضئيل متقدماً بنقطتين فقط على نموذج Simba 3.2 من SpeechifyAI، الذي يحمل درجة 1,234.

وتتخلف حالياً الأوزان الثقيلة الأخرى في هذا القطاع، بما في ذلك Gemini 3.1 Flash TTS من Google (1,214) و Sonic 3.5 (1,207)، عن الصدارة. ويشير هذا التصنيف إلى أن المستخدمين والمقيمين يجدون قدرًا أكبر بكثير من الطبيعية والجودة في بنية Alibaba الأحدث مقارنة بقادة الصناعة الراسخين.

بنية النموذج المزدوجة والتحكم التعبيري

لتلبية احتياجات المطورين المختلفة، أصدرت Alibaba النموذج في إصدارين متميزين:

  • Flash: مُحسَّن للتفاعلات في الوقت الفعلي مع زمن انتقال منخفض، وبفارق تأخير يبلغ حوالي 300 مللي ثانية.
  • Plus: مُصمم لتحقيق أقصى قدر من مخرجات الكلام عالية الجودة والنبرة الصوتية الواقعية.

تعد القدرة على تفسير تعليمات اللغة الطبيعية لتوجيه أساليب التحدث واحدة من أهم القفزات التقنية في Qwen-Audio-3.0. حيث يمكن للمطورين استخدام الإشارات غير اللفظية من خلال وسوم محددة، مثل [angry] أو [giggles]، لإضفاء مشاعر شبيهة بالمشاعر البشرية على المخرجات. علاوة على ذلك، يُظهر النموذج متانة فائقة في استنساخ الصوت، حيث يتعامل مع التسجيلات المرجعية التي تحتوي على ضوضاء أو صدى بشكل أكثر فعالية بكثير من النماذج السابقة.

القدرات متعددة اللغات والمقايضات في الأداء

بينما تركز العديد من نماذج TTS بشكل كبير على اللغة الإنجليزية، يوفر Qwen-Audio-3.0-TTS-Plus فائدة لغوية واسعة من خلال دعم 16 لغة. ويشمل ذلك اللغات ذات الطلب المرتفع بالإضافة إلى لغات أقل شيوعًا مثل التاغالوغية والماليزية والتايلاندية والفيتنامية، إلى جانب مختلف اللهجات الصينية.

ومع ذلك، لا يخلو النموذج من القيود. فمن حيث سرعة التوليد الخام، فإنه يتخلف بشكل كبير عن المنافسين؛ فبمعدل 16 حرفًا في الثانية، يتأخر عن Sonic 3.5 الذي يصل إلى 120 حرفًا في الثانية، و Simba 3.2 الذي يصل إلى 30.2 حرفًا. وبالنسبة للمطورين الذين يبنون تطبيقات ذات إنتاجية عالية، يجب موازنة هذا التأخير في توليد الحروف مقابل الجودة التعبيرية الفائقة للنموذج.

حاليًا، يمكن الوصول إلى النموذج عبر Alibaba Cloud Model Studio، بسعر 27.60 دولارًا لكل مليون حرف.

لماذا يهم هذا مشهد الذكاء الاصطناعي

يشير صعود Qwen-Audio-3.0-TTS-Plus إلى تحول في صناعة TTS من مجرد "توليد الكلام" إلى "الذكاء العاطفي". ومع تحول النماذج اللغوية الكبيرة (LLMs) لتصبح أكثر قدرة على المحادثة، لم يعد عنق الزجاجة يقتصر على توليد النص فحسب، بل في قدرة الصوت على نقل الفروق الدقيقة والسخرية والعاطفة الموجودة في المطالبة (prompt) الأساسية. إن قدرة Alibaba على دمج الوسوم غير اللفظية والتعامل مع الصوت غير المثالي لعملية الاستنساخ تضعها في طليعة الجيل القادم من وكلاء الذكاء الاصطناعي الغامرين.

النقاط الرئيسية

  • هيمنة قائمة المتصدرين: يتصدر Qwen-Audio-3.0-TTS-Plus قائمة Speech Arena بدرجة Elo تبلغ 1,236، متفوقًا على Simba 3.2 و Gemini 3.1 Flash TTS.
  • الفروق الدقيقة العاطفية: يدعم النموذج توجيه الأسلوب عبر اللغة الطبيعية والإشارات غير اللفظية مثل [giggles] لتعزيز الواقعية.
  • الاتساع متعدد اللغات: يوفر دعمًا قويًا لـ 16 لغة، بما في ذلك تغطية متخصصة للغات جنوب شرق آسيا واللهجات الصينية.