Qwen Audio 3.0 TTS Plus của Alibaba dẫn đầu bảng xếp hạng chuyển đổi văn bản thành giọng nói

Mô hình chuyển văn bản thành giọng nói mới của Alibaba, Qwen-Audio-3.0-TTS-Plus, hiện đang dẫn đầu bảng xếp hạng Speech Arena của Artificial Analysis dành cho các giọng nói từ nhà cung cấp. Với điểm Elo là 1.236, mô hình này đứng ngay trên Simba 3.2 (1.234). Theo sau là Gemini 3.1 Flash TTS (1.214) và Sonic 3.5 (1.207).

Mô hình này có hai phiên bản. Bản Flash được xây dựng cho tương tác thời gian thực với độ trễ khoảng 300 mili giây, trong khi bản Plus hướng tới đầu ra giọng nói chất lượng cao. Nó hỗ trợ 16 ngôn ngữ, bao gồm cả những ngôn ngữ ít phổ biến hơn như tiếng Tagalog, tiếng Mã Lai, tiếng Thái và tiếng Việt, cùng với một số phương ngữ tiếng Trung. Người dùng có thể điều chỉnh phong cách nói bằng ngôn ngữ tự nhiên hoặc thêm các tín hiệu phi ngôn ngữ bằng cách sử dụng các thẻ như "[angry]" (tức giận) hoặc "[giggles]" (cười khúc khích). Alibaba cũng cho biết mô hình này xử lý các bản ghi tham chiếu bị ồn hoặc vang tốt hơn so với các phiên bản trước khi thực hiện sao chép giọng nói (voice cloning).

Tốc độ là một điểm yếu: Với tốc độ 16 ký tự mỗi giây, nó thua xa Sonic 3.5 (120 ký tự/giây) và Simba 3.2 (30,2 ký tự/giây). Mức giá được ấn định là 27,60 USD cho mỗi triệu ký tự thông qua Alibaba Cloud Model Studio. Bạn có thể xem bộ sưu tập các mẫu âm thanh tại đây.

Tin tức AI không thổi phồng – Được biên soạn bởi con người

Đăng ký THE DECODER để đọc không quảng cáo, nhận bản tin AI hàng tuần, báo cáo chuyên sâu "AI Radar" độc quyền sáu lần một năm, quyền truy cập toàn bộ kho lưu trữ và tham gia phần bình luận của chúng tôi.

Đăng ký ngay