🗣 Alibaba представила Qwen3-TTS: клонирование голоса за 3 секунды и поддержка русского языка

Команда Qwen (Alibaba Cloud) выпустила два новых ИИ-инструмента, которые могут потеснить ElevenLabs и решения от OpenAI. Модели обеспечивают рекордную точность и минимальную задержку синтеза.

Основные фишки моделей
▫️Qwen3-TTS-VC-Flash (Voice Clone): Для клонирования любого голоса достаточно аудио-сэмпла длиной всего 3 секунды. Модель поддерживает 10 языков, включая русский, английский, китайский, немецкий и японский.
▫️Qwen3-TTS-VD-Flash (Voice Design): Позволяет создавать уникальные голоса с нуля через текстовые промпты. Можно детально описать тембр, возраст, эмоции и стиль (например, «энергичный баритон среднего возраста для рекламы»).

​Технологическое превосходство
▫️Победа над лидерами: В тестах Qwen3 показала уровень ошибок (WER) на 15% ниже, чем у ElevenLabs и GPT-4o-Audio.
▫️Мультимодальность: Системы умеют имитировать звуки животных и корректно обрабатывать сложный текст с формулами или специфической разметкой.
▫️Скорость: Задержка выдачи первого пакета данных составляет всего 97–300 мс, что идеально для real-time переводчиков и ассистентов.

​Доступность и масштаб
▫️Модели уже доступны через API Alibaba Cloud, а демо-версии для тестов выложены на Hugging Face.
▫️Релиз состоялся на фоне взрывного роста экосистемы Qwen: приложение преодолело отметку в 10 млн скачиваний всего за неделю после запуска беты в ноябре 2025 года.

Не пропускайте главное — подпишитесь на наш Telegram

Там мы публикуем важнейшие новости из мира ИИ, технологий и науки в удобном формате — раньше, чем в «Дзене».

→ Перейти в канал ai: briefly