Maison
Tongyi Qianwen Qwen-Audio-3.0-TTS est désormais disponible avec un délai de transmission du premier paquet de 300 ms et 20 dialectes
L'équipe Qwen d'Alibaba a lancé le nouveau modèle de synthèse vocale en temps réel Qwen-Audio-3.0-TTS, faisant ainsi passer la synthèse vocale de la simple génération à une véritable expression. La version Plus occupe désormais la première place mondiale du classement Speech Arena, une référence reconnue par Artificial Analysis, devançant ainsi Gemini 3.1 TTS, ElevenLabs v3 et d’autres modèles majeurs.

Deux versions sont disponibles : la version Flash est destinée aux interactions en temps réel avec une latence initiale d’environ 300 ms, ce qui est idéal pour les assistants intelligents et autres cas d’utilisation nécessitant une faible latence ; la version Plus privilégie une génération de haute qualité, offrant un naturel et une ressemblance vocale améliorés.
Quatre avancées majeures au niveau des capacités de base :
Premièrement, la prise en charge multilingue et des dialectes a été étendue à 16 langues, la version Plus atteignant une similitude moyenne avec l’orateur de 82,75 % sur l’ensemble de ces 16 langues — le taux le plus élevé du secteur. Elle couvre également 20 dialectes chinois, en conservant les caractéristiques authentiques de ces dialectes plutôt qu’en les atténuant, pour des expressions plus proches de celles d’un locuteur natif.
Deuxièmement, des instructions en langage naturel flexibles permettent aux utilisateurs de générer une parole précise à l’aide de consignes telles que « ton doux de service client » ou « style d’animateur de streaming en direct », sans avoir besoin d’annotations professionnelles.
Troisièmement, le contrôle fin des balises prend en charge des balises structurées telles que [halètement] et [colère], permettant une gestion précise des détails non verbaux comme la respiration et le rire — ce qui convient particulièrement aux jeux, aux livres audio et à des scénarios similaires.
Quatrièmement, une grande robustesse acoustique : même si l’enregistrement de référence contient beaucoup de bruit ou de réverbération, le modèle filtre automatiquement les bruits de fond tout en préservant la qualité vocale, garantissant ainsi un résultat de synthèse stable.
La bibliothèque de voix premium qui l’accompagne comprend divers types de voix — instructions, dialectes et langues moins courantes —, prend en charge une sortie audio haute définition à 48 K (dont le lancement est prévu le 24 juillet) et peut synthétiser jusqu’à 3 minutes de texte long par session. Le modèle est désormais entièrement disponible sur la plateforme BaiLian d’Alibaba Cloud, où les développeurs peuvent y accéder et l’essayer, ouvrant ainsi de nouvelles possibilités en matière d’interaction vocale.

Article connexe
La mise à jour de MacWhisper 14 permet désormais de modifier directement les transcriptions et corrige le problème de consommation excessive du processeur
Jodi Bruijn, la développeuse indépendante à l’origine de MacWhisper, a publié hier la version 14.0, qui met l’accent sur l’amélioration des performances de transcription et introduit un éditeur dédié.
Qwen3.5-Max Preview en tête du LMArena alors que les modèles d'IA chinois atteignent le premier rang mondial
Le 20 mars, les derniers classements de la plateforme d’évaluation aveugle des grands modèles d’autorité LMArena ont révélé que le tout dernier modèle phare de la série Qwen d’Alibaba, Qwen3.5-Max-Preview, a offert des performances exceptionnelles. A
La startup soutenue par Marc Benioff vise à résoudre les défis du déploiement de l'IA
Les grandes entreprises font face à des défis si considérables dans le déploiement d’outils d’intelligence artificielle fiables que des équipes entières d’ingénieurs déployés sur site – des spécialistes intégrés au sein des entreprises clientes pour
Recommandations de sujets spéciaux liés
commentaires (0)
L'équipe Qwen d'Alibaba a lancé le nouveau modèle de synthèse vocale en temps réel Qwen-Audio-3.0-TTS, faisant ainsi passer la synthèse vocale de la simple génération à une véritable expression. La version Plus occupe désormais la première place mondiale du classement Speech Arena, une référence reconnue par Artificial Analysis, devançant ainsi Gemini 3.1 TTS, ElevenLabs v3 et d’autres modèles majeurs.

Deux versions sont disponibles : la version Flash est destinée aux interactions en temps réel avec une latence initiale d’environ 300 ms, ce qui est idéal pour les assistants intelligents et autres cas d’utilisation nécessitant une faible latence ; la version Plus privilégie une génération de haute qualité, offrant un naturel et une ressemblance vocale améliorés.
Quatre avancées majeures au niveau des capacités de base :
Premièrement, la prise en charge multilingue et des dialectes a été étendue à 16 langues, la version Plus atteignant une similitude moyenne avec l’orateur de 82,75 % sur l’ensemble de ces 16 langues — le taux le plus élevé du secteur. Elle couvre également 20 dialectes chinois, en conservant les caractéristiques authentiques de ces dialectes plutôt qu’en les atténuant, pour des expressions plus proches de celles d’un locuteur natif.
Deuxièmement, des instructions en langage naturel flexibles permettent aux utilisateurs de générer une parole précise à l’aide de consignes telles que « ton doux de service client » ou « style d’animateur de streaming en direct », sans avoir besoin d’annotations professionnelles.
Troisièmement, le contrôle fin des balises prend en charge des balises structurées telles que [halètement] et [colère], permettant une gestion précise des détails non verbaux comme la respiration et le rire — ce qui convient particulièrement aux jeux, aux livres audio et à des scénarios similaires.
Quatrièmement, une grande robustesse acoustique : même si l’enregistrement de référence contient beaucoup de bruit ou de réverbération, le modèle filtre automatiquement les bruits de fond tout en préservant la qualité vocale, garantissant ainsi un résultat de synthèse stable.
La bibliothèque de voix premium qui l’accompagne comprend divers types de voix — instructions, dialectes et langues moins courantes —, prend en charge une sortie audio haute définition à 48 K (dont le lancement est prévu le 24 juillet) et peut synthétiser jusqu’à 3 minutes de texte long par session. Le modèle est désormais entièrement disponible sur la plateforme BaiLian d’Alibaba Cloud, où les développeurs peuvent y accéder et l’essayer, ouvrant ainsi de nouvelles possibilités en matière d’interaction vocale.

La mise à jour de MacWhisper 14 permet désormais de modifier directement les transcriptions et corrige le problème de consommation excessive du processeur
Jodi Bruijn, la développeuse indépendante à l’origine de MacWhisper, a publié hier la version 14.0, qui met l’accent sur l’amélioration des performances de transcription et introduit un éditeur dédié.
Qwen3.5-Max Preview en tête du LMArena alors que les modèles d'IA chinois atteignent le premier rang mondial
Le 20 mars, les derniers classements de la plateforme d’évaluation aveugle des grands modèles d’autorité LMArena ont révélé que le tout dernier modèle phare de la série Qwen d’Alibaba, Qwen3.5-Max-Preview, a offert des performances exceptionnelles. A
La startup soutenue par Marc Benioff vise à résoudre les défis du déploiement de l'IA
Les grandes entreprises font face à des défis si considérables dans le déploiement d’outils d’intelligence artificielle fiables que des équipes entières d’ingénieurs déployés sur site – des spécialistes intégrés au sein des entreprises clientes pour











