Qwen-Audio-3.0-TTS-Plus od Alibaby zajmuje pierwsze miejsce w rankingach TTS

Alibaba zrewolucjonizowała krajobraz syntezy mowy, wydając Qwen-Audio-3.0-TTS-Plus – nowy model, który oficjalnie objął prowadzenie w rankingu Artificial Analysis Speech Arena. Stawiając na ekspresyjne niuanse i wielojęzyczną głębię, Alibaba wyznacza nowy standard dla wysokiej wierności głosów sztucznych.

Przewaga nad gigantami branży w rankingach Elo

Krajobraz konkurencyjny technologii Text-to-Speech (TTS) uległ zmianie po najnowszych rankingach Artificial Analysis. Qwen-Audio-3.0-TTS-Plus od Alibaby zapewnił sobie najwyższą pozycję wśród głosów dostawców z imponującym wynikiem Elo wynoszącym 1236. To niewielkie zwycięstwo stawia go zaledwie dwa punkty przed Simba 3.2 od SpeechifyAI, który uzyskał wynik 1234.

Inni giganci sektora, w tym Gemini 3.1 Flash TTS od Google (1214) oraz Sonic 3.5 (1207), obecnie pozostają w tyle. Ranking ten wskazuje, że użytkownicy i evaluatorzy dostrzegają znacznie większą naturalność i jakość w najnowszej architekturze Alibaby w porównaniu do uznanych liderów branży.

Architektura dwumodelowa i ekspresyjna kontrola

Aby sprostać różnym potrzebom programistów, Alibaba wydała model w dwóch odrębnych wersjach:

  • Flash: Zoptymalizowany pod kątem niskich opóźnień i interakcji w czasie rzeczywistym, z opóźnieniem wynoszącym około 300 milisekund.
  • Plus: Zaprojektowany z myślą o maksymalnej wysokiej jakości generowanej mowy i realistycznej prozodii.

Jednym z najważniejszych skoków technicznych w Qwen-Audio-3.0 jest zdolność do interpretowania instrukcji w języku naturalnym w celu sterowania stylem mówienia. Programiści mogą wykorzystywać wskazówki niewerbalne za pomocą specjalnych tagów, takich jak [angry] lub [giggles], aby wprowadzić ludzkie emocje do generowanego dźwięku. Co więcej, model wykazuje wyższą odporność w procesie klonowania głosu, radząc sobie z zaszumionymi lub silnie pogłosowymi nagraniami referencyjnymi znacznie skuteczniej niż jego poprzednicy.

Wielojęzyczność i kompromisy wydajnościowe

Podczas gdy wiele modeli TTS skupia się głównie na języku angielskim, Qwen-Audio-3.0-TTS-Plus oferuje szerokie zastosowanie lingwistyczne, obsługując 16 języków. Obejmuje to języki o wysokim zapotrzebowaniu, jak i te rzadziej obsługiwane, takie jak tagalski, malajski, tajski i wietnamski, obok różnych dialektów chińskich.

Model nie jest jednak wolny od ograniczeń. Pod względem czystej prędkości generowania znacząco odstaje od konkurencji. Przy 16 znakach na sekundę pozostaje w tyle za Sonic 3.5, który osiąga 120 znaków na sekundę, oraz Simba 3.2, który osiąga 30,2. W przypadku programistów budujących aplikacje o wysokiej przepustowości, to opóźnienie w generowaniu znaków musi zostać zestawione z wyższą jakością ekspresji modelu.

Obecnie model jest dostępny za pośrednictwem Alibaba Cloud Model Studio w cenie 27,60 USD za milion znaków.

Dlaczego ma to znaczenie dla krajobrazu AI

Wzrost znaczenia Qwen-Audio-3.0-TTS-Plus sygnalizuje zmianę w branży TTS – od zwykłego „generowania mowy” w stronę „inteligencji emocjonalnej”. W miarę jak modele LLM stają się coraz bardziej konwersacyjne, wąskim gardłem przestaje być samo generowanie tekstu, a staje się nim zdolność głosu do przekazywania niuansów, sarkazmu i emocji zawartych w pierwotnym prompcie. Zdolność Alibaby do integrowania niewerbalnych tagów i radzenia sobie z niedoskonałym dźwiękiem podczas klonowania stawia ich w awangardzie następnej generacji immersyjnych agentów AI.

Kluczowe wnioski

  • Dominacja w rankingu: Qwen-Audio-3.0-TTS-Plus prowadzi w Speech Arena z wynikiem Elo 1236, wyprzedzając Simba 3.2 oraz Gemini 3.1 Flash TTS.
  • Niuanse emocjonalne: Model obsługuje sterowanie stylem za pomocą języka naturalnego oraz wskazówki niewerbalne, takie jak [giggles], aby zwiększyć realizm.
  • Wielojęzyczność: Oferuje solidne wsparcie dla 16 języków, w tym specjalistyczne pokrycie języków Azji Południowo-Wschodniej oraz dialektów chińskich.