Alibaba резко снизила цены на голосовые сервисы распознавания и синтеза речи

Что произошло. Компания Alibaba Cloud выпустила обновление голосового набора нейросетей под названием Qwen-Audio 3.1. В него входит пять моделей: улучшенное распознавание речи (убирает слова-паузы и повторы на разных языках и диалектах), модель ASR-Next, которая дополнительно определяет говорящего, время реплик, эмоции и фоновые звуки, синтез речи с настройкой эмоций и скорости по текстовой подсказке, модель TTS-Next, которая создаёт голос, звуковые эффекты и фон за один проход, и модель для голосового общения в реальном времени, которая понимает речь собеседника даже во время собственного ответа и может быть прервана. Отдельно ранее вышла версия Realtime Plus с увеличенным объёмом памяти для длинных разговоров.

Что это значит для бизнеса. Главная новость — цена. По словам Alibaba, распознавание речи стало дешевле почти на 95%, синтез речи — примерно на 70%, а голосовое общение в реальном времени — на 85%. Для небольших компаний, которые хотят сделать голосового помощника для звонков клиентам или озвучку для сайта, это может означать заметную экономию. Но есть ограничение: новая модель синтеза речи TTS-Next поддерживает 16 языков, тогда как у конкурента ElevenLabs их 74. Источник не сообщает, доступны ли эти сервисы напрямую в России и на каких условиях.

Как попробовать. В источнике не указано, где и как компании могут подключить эти сервисы, поэтому пока неизвестно, есть ли открытый доступ для тестирования.