Qwen TTS Baru Saja Mengubah Standar Suara Open-Source

Video dimulai dengan demonstrasi mencolok tentang bagaimana kalimat yang sama dapat diucapkan dengan nada normal maupun emosi frustrasi. Narator memperkenalkan Qwen 3 TTS sebagai model suara sumber terbuka terbaru yang memungkinkan pengaturan nada bicara secara fleksibel. Berbeda dengan model lain, teknologi ini tidak memerlukan markup rumit atau pengiriman data ke API eksternal. Bagian ini menekankan bahwa pengguna kini bisa benar-benar mendikte suasana hati dari teks yang dihasilkan. Ini menjadi pembuka yang kuat untuk membandingkan kemampuan Qwen dengan kompetitor besar seperti Eleven Labs.

Narator membahas kekurangan umum pada model suara open-source yang biasanya kurang memiliki kedalaman emosi. Qwen 3 TTS menawarkan solusi unik di mana pengguna cukup mengetikkan deskripsi suara yang diinginkan untuk mendapatkan hasil yang lebih bebas. Model 1.7B disorot karena kemampuannya dalam streaming waktu nyata dengan latensi rendah hanya 97 milidetik. Selain itu, model ini mendukung 10 bahasa dengan perpindahan kode yang alami dan berlisensi Apache 2.0 yang gratis. Keamanan data menjadi nilai tambah utama karena seluruh proses berjalan secara lokal di perangkat pengguna.

Sesi ini berfokus pada pengujian fitur kloning suara menggunakan sampel audio referensi selama tiga detik. Narator menjelaskan langkah-langkah teknis mulai dari mengunggah audio hingga mengetikkan teks target yang ingin diucapkan. Hasil pengujian menunjukkan bahwa meskipun fungsional, suara yang dihasilkan masih terdengar sedikit seperti buatan mesin pada beberapa bagian. Narator memberikan kritik jujur bahwa kualitas kloning Qwen masih berada di bawah Vibe Voice milik Microsoft. Namun, untuk kategori model ringan, performanya dianggap sudah cukup memadai bagi penggunaan dasar.

Pengujian berlanjut ke model 1.7B dengan fokus pada pemberian instruksi kepribadian yang lebih kompleks. Narator mencoba memberikan perintah untuk bercerita seperti narator yang menegangkan dengan akhiran tawa lega. Hasilnya menunjukkan keberhasilan dalam menangkap sebagian besar nada emosi tanpa menggunakan menu drop-down atau preset tertentu. Eksperimen kedua menggunakan gaya pengembang muda yang sarkastik namun ramah untuk menjelaskan tentang pengujian kode. Bagian ini membuktikan bahwa kontrol bahasa alami membuat desain suara menjadi jauh lebih intuitif bagi pengembang.

Di bagian penutup, narator membandingkan Qwen dengan Eleven Labs yang berbayar dan Chatterbox yang memiliki fitur emosi bagus. Qwen 3 TTS dianggap unggul dalam hal iterasi cepat dan privasi karena sifatnya yang sepenuhnya lokal. Beberapa kekurangan tetap disebutkan, seperti ketergantungan pada kualitas prompt dan kebutuhan GPU untuk performa optimal. Cara instalasi dijelaskan secara singkat melalui repositori GitHub yang dapat dikonfigurasi dalam hitungan menit tanpa biaya penagihan. Narator menyimpulkan bahwa alat ini sangat layak dicoba bagi mereka yang mencari solusi suara yang privat dan terkendali.