Alibaba представила Qwen-Audio-3.1 і знизила ціни на аудіо ШІ
Команда Qwen компанії Alibaba випустила Qwen-Audio-3.1 — лінійку з п’яти моделей для розпізнавання мовлення, синтезу мовлення та взаємодії в реальному часі. Модель ASR має покращити розпізнавання різних мов і діалектів, а також автоматично вилучає слова-паразити й повтори. ASR-Next визначає кількох мовців із часовими мітками та розпізнає емоції, навколишні звуки й шум машин.
Моделі синтезу підтримують багатомовну генерацію та перенесення голосу між мовами. Емоцію, швидкість і стиль можна задавати текстовими підказками. TTS-Next поєднує мовну модель із дифузійним підходом і за один прохід створює голос, звукові ефекти та фонове аудіо. Модель реального часу підтримує одночасне слухання й мовлення, а також миттєве переривання. За даними Qwen, у разі виявлення пригніченого настрою вона відповідає повільніше й емпатичніше. Alibaba знижує ціни приблизно на 70% для TTS, близько 85% для Realtime і до 95% для ASR.
Текст підготовлено ШІ Sakhanda Wire за матеріалом The Decoder. Факти, цитати та повний контекст — в оригінальній статті нижче.