Alibaba Cloud предостави свободен достъп до "теглата" и кода на семейството модели Qwen3-TTS, представляващо набор от невронни мрежи за синтез на реч. Пакетът съчетава три ключови възможности: преобразуване на текст в говор, "проектиране" на глас въз основа на текстово описание и клониране на глас чрез кратка аудио референция. Публикацията включва не само самите модели в два размера, 0,6 млрд. и 1,7 млрд. параметри, но и токенизатор за реч. Благодарение на него системата може да работи в режим на поточно генериране с приблизително 97 ms закъснение, тоест достатъчно ниско за разговорни интерфейси и "живи" асистенти.

Изкуственият интелект

Отворената версия е организирана в три направления: Base, който служи като основен модел за висококачествен TTS и бързо клониране, CustomVoice, насочен към контролирано озвучаване чрез "стилови" профили, и VoiceDesign, най-представителният елемент в линията.

Именно VoiceDesign позволява параметрите на бъдещия глас да се задават на естествен език, от тембъра и начина на говорене до емоционалния заряд. Ефективността на алгоритъма позволява технологията да е много удобна за продуценти, редактори и разработчици.

От техническа гледна точка Qwen3-TTS използва подходи от следващо поколение, които през последните две години все по-активно изместват "класическите" TTS практики. В техническия доклад е описана архитектура с "две писти", предназначена за различни режими на работа, от максимално качество до реално време, както и едновременно използване на две фамилии токенизатори за реч.

Най-чувствителната за пазара възможност е клонирането на глас в рамките на секунди. В доклада се посочва "3-секундно клониране на глас", а независими разработчици вече показаха как работи механизмът чрез публична демонстрация в Hugging Face. Потребителят записва кратък референтен откъс и получава озвучаване на друг текст с "неговия" тембър. Именно тук е границата, след която технологията престава да бъде нишова за студията и се превръща в ежедневен инструмент, тъй като е достатъчна видеокарта с няколко гигабайта видеопамет или дори браузър, ако изчисленията се извършват от външна услуга.

Показател за практическа зрялост е и лицензът. Alibaba публикува моделите и токенизаторите под Apache-2.0, един от "най-комерсиалните" лицензи, който обикновено се избира, когато целта е да се насърчи внедряване в продукти и партньорски екосистеми.

Изкуственият интелект е публикуван за свободно ползване в GitHub.

ИЗБРАНО
Илияна Йотова до Джей Ди Ванс на общата снимка на държавните глави в Милано Днес
Илияна Йотова до Джей Ди Ванс на общата снимка на държавните глави в Милано
36253
Бащата на Никола Пелц наруши мълчанието си за публичната вражда със семейство Бекъм Лайф
Бащата на Никола Пелц наруши мълчанието си за публичната вражда със семейство Бекъм
8513
Ослепителна и преуспяла: "Диамантът" на Олимпиадата печели по $23 млн. на година Корнер
Ослепителна и преуспяла: "Диамантът" на Олимпиадата печели по $23 млн. на година
18012
Опасения за банковата прозрачност на Сан Марино поставят под въпрос асоциирането с ЕС Бизнес
Опасения за банковата прозрачност на Сан Марино поставят под въпрос асоциирането с ЕС
5586
Нидерландия върна на Египет открадната каменна скулптура на 3500 години Impressio
Нидерландия върна на Египет открадната каменна скулптура на 3500 години
354
Румънец откри най-дългата дива змия в света и влезе в Книгата на рекордите на Гинес (видео) Trip
Румънец откри най-дългата дива змия в света и влезе в Книгата на рекордите на Гинес (видео)
7122
Как се правят дробчета по строгановски Вкусотии
Как се правят дробчета по строгановски
583
3 знака, които ще имат късмет на 6 февруари Zodiac
3 знака, които ще имат късмет на 6 февруари
726
Предстои променливо време: Дъжд, кратко застудяване със сняг и отново затопляне Времето
Предстои променливо време: Дъжд, кратко застудяване със сняг и отново затопляне
3674