TTS-рейтинг возглавила модель Alibaba: 16 языков и управление эмоциями через промпт

Alibaba Qwen Audio 3.0 TTS Plus возглавила рейтинг Speech Arena аналитической платформы Artificial Analysis, обойдя конкурентов в области синтеза речи. Модель поддерживает 16 языков и позволяет контролировать стиль произношения с помощью обычного текста или специальных тегов, например [angry] для злого тона.

Несмотря на лидерство по качеству, модель работает довольно медленно: скорость синтеза составляет 16 символов в секунду. Для сравнения, конкурирующие решения Sonic 3.5 и Simba 3.2 существенно быстрее, что может быть критично для приложений реального времени.