Heim
Tongyi Qianwen Qwen-Audio-3.0-TTS geht mit einer Verzögerung des ersten Pakets von 300 ms und 20 Dialekten in Betrieb
Das Alibaba-Qwen-Team hat das neue Echtzeit-Sprachsynthese-Modell „Qwen-Audio-3.0-TTS“ vorgestellt, das die Sprachsynthese von der einfachen Erzeugung hin zu echtem Ausdruck weiterentwickelt. Die Plus-Version belegt nun weltweit den ersten Platz in der „Speech Arena“, einem angesehenen Benchmark von Artificial Analysis, und übertrifft damit Gemini 3.1 TTS, ElevenLabs v3 und andere führende Modelle.

Es stehen zwei Versionen zur Verfügung: Die Flash-Version zielt auf Echtzeit-Interaktion mit einer anfänglichen Latenz von etwa 300 ms ab und eignet sich ideal für Smart-Assistenten und andere Anwendungsfälle mit geringer Latenz; die Plus-Version legt den Schwerpunkt auf eine hochwertige Sprachausgabe und bietet eine verbesserte Natürlichkeit sowie eine höhere Stimmähnlichkeit.
Vier wesentliche Durchbrüche bei den Kernfunktionen:
Erstens wurde die Unterstützung für mehrere Sprachen und Dialekte auf 16 Sprachen erweitert, wobei die Plus-Version über alle 16 Sprachen hinweg eine durchschnittliche Sprecherähnlichkeit von 82,75 % erreicht – der branchenweit höchste Wert. Sie deckt zudem 20 chinesische Dialekte ab und bewahrt dabei authentische Dialektmerkmale, anstatt sie zu verwässern, was zu muttersprachlicheren Äußerungen führt.
Zweitens ermöglichen flexible Anweisungen in natürlicher Sprache den Nutzern, präzise Sprachausgaben mit Vorgaben wie „sanfter Kundenservice-Tonfall“ oder „Live-Streaming-Moderator-Stil“ zu generieren, ohne dass professionelle Annotationen erforderlich sind.
Drittens unterstützt die fein abgestufte Tag-Steuerung strukturierte Tags wie [gasp] und [angry], was eine präzise Steuerung nonverbaler Details wie Atmung und Lachen ermöglicht – geeignet für Spiele, Hörbücher und ähnliche Szenarien.
Viertens: hohe akustische Robustheit: Selbst wenn das Referenzaudio starkes Rauschen oder Nachhall enthält, filtert das Modell Hintergrundgeräusche automatisch heraus und bewahrt dabei die Sprachqualität, wodurch eine stabile Syntheseausgabe gewährleistet wird.
Die dazugehörige Premium-Stimmenbibliothek umfasst verschiedene Stimmtypen – Anweisungen, Dialekte und seltener verwendete Sprachen –, unterstützt eine hochauflösende Audioausgabe mit 48K (voraussichtlich ab dem 24. Juli verfügbar) und kann pro Sitzung bis zu 3 Minuten langen Text synthetisieren. Das Modell ist ab sofort vollständig auf der Alibaba Cloud BaiLian-Plattform verfügbar, wo Entwickler darauf zugreifen und es ausprobieren können, was neue Möglichkeiten im Bereich der Sprachinteraktion eröffnet.

Verwandter Artikel
Das MacWhisper 14-Update ermöglicht die direkte Bearbeitung von Transkripten und behebt das Problem der hohen CPU-Auslastung
Jodi Bruijn, die unabhängige Entwicklerin hinter MacWhisper, hat gestern die Version 14.0 veröffentlicht, deren Schwerpunkt auf einer verbesserten Transkriptionsleistung liegt und die eine eigene Edit
Qwen3.5-Max Preview führt LMArena an, während Chinas KI-Modelle weltweit an die Spitze rücken
Am 20. März enthüllten die neuesten Rankings der autoritativen Blindtest-Plattform für große Modelle, LMArena, dass das neueste Flaggschiff-Vorschau-Modell der Qwen-Serie von Alibaba, Qwen3.5-Max-Preview, außergewöhnliche Leistungen erbrachte. Mit 14
Von Marc Benioff unterstütztes Startup zielt darauf ab, Herausforderungen bei der KI-Implementierung zu lösen
Große Unternehmen stehen vor so massiven Herausforderungen beim Einsatz zuverlässiger KI-Tools, dass sich ganze Teams von vor Ort eingesetzten Ingenieuren – Spezialisten, die in Kundenunternehmen eingebettet sind, um KI-Systeme operativ umzusetzen –
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
Das Alibaba-Qwen-Team hat das neue Echtzeit-Sprachsynthese-Modell „Qwen-Audio-3.0-TTS“ vorgestellt, das die Sprachsynthese von der einfachen Erzeugung hin zu echtem Ausdruck weiterentwickelt. Die Plus-Version belegt nun weltweit den ersten Platz in der „Speech Arena“, einem angesehenen Benchmark von Artificial Analysis, und übertrifft damit Gemini 3.1 TTS, ElevenLabs v3 und andere führende Modelle.

Es stehen zwei Versionen zur Verfügung: Die Flash-Version zielt auf Echtzeit-Interaktion mit einer anfänglichen Latenz von etwa 300 ms ab und eignet sich ideal für Smart-Assistenten und andere Anwendungsfälle mit geringer Latenz; die Plus-Version legt den Schwerpunkt auf eine hochwertige Sprachausgabe und bietet eine verbesserte Natürlichkeit sowie eine höhere Stimmähnlichkeit.
Vier wesentliche Durchbrüche bei den Kernfunktionen:
Erstens wurde die Unterstützung für mehrere Sprachen und Dialekte auf 16 Sprachen erweitert, wobei die Plus-Version über alle 16 Sprachen hinweg eine durchschnittliche Sprecherähnlichkeit von 82,75 % erreicht – der branchenweit höchste Wert. Sie deckt zudem 20 chinesische Dialekte ab und bewahrt dabei authentische Dialektmerkmale, anstatt sie zu verwässern, was zu muttersprachlicheren Äußerungen führt.
Zweitens ermöglichen flexible Anweisungen in natürlicher Sprache den Nutzern, präzise Sprachausgaben mit Vorgaben wie „sanfter Kundenservice-Tonfall“ oder „Live-Streaming-Moderator-Stil“ zu generieren, ohne dass professionelle Annotationen erforderlich sind.
Drittens unterstützt die fein abgestufte Tag-Steuerung strukturierte Tags wie [gasp] und [angry], was eine präzise Steuerung nonverbaler Details wie Atmung und Lachen ermöglicht – geeignet für Spiele, Hörbücher und ähnliche Szenarien.
Viertens: hohe akustische Robustheit: Selbst wenn das Referenzaudio starkes Rauschen oder Nachhall enthält, filtert das Modell Hintergrundgeräusche automatisch heraus und bewahrt dabei die Sprachqualität, wodurch eine stabile Syntheseausgabe gewährleistet wird.
Die dazugehörige Premium-Stimmenbibliothek umfasst verschiedene Stimmtypen – Anweisungen, Dialekte und seltener verwendete Sprachen –, unterstützt eine hochauflösende Audioausgabe mit 48K (voraussichtlich ab dem 24. Juli verfügbar) und kann pro Sitzung bis zu 3 Minuten langen Text synthetisieren. Das Modell ist ab sofort vollständig auf der Alibaba Cloud BaiLian-Plattform verfügbar, wo Entwickler darauf zugreifen und es ausprobieren können, was neue Möglichkeiten im Bereich der Sprachinteraktion eröffnet.

Das MacWhisper 14-Update ermöglicht die direkte Bearbeitung von Transkripten und behebt das Problem der hohen CPU-Auslastung
Jodi Bruijn, die unabhängige Entwicklerin hinter MacWhisper, hat gestern die Version 14.0 veröffentlicht, deren Schwerpunkt auf einer verbesserten Transkriptionsleistung liegt und die eine eigene Edit
Qwen3.5-Max Preview führt LMArena an, während Chinas KI-Modelle weltweit an die Spitze rücken
Am 20. März enthüllten die neuesten Rankings der autoritativen Blindtest-Plattform für große Modelle, LMArena, dass das neueste Flaggschiff-Vorschau-Modell der Qwen-Serie von Alibaba, Qwen3.5-Max-Preview, außergewöhnliche Leistungen erbrachte. Mit 14
Von Marc Benioff unterstütztes Startup zielt darauf ab, Herausforderungen bei der KI-Implementierung zu lösen
Große Unternehmen stehen vor so massiven Herausforderungen beim Einsatz zuverlässiger KI-Tools, dass sich ganze Teams von vor Ort eingesetzten Ingenieuren – Spezialisten, die in Kundenunternehmen eingebettet sind, um KI-Systeme operativ umzusetzen –











