# Qwen3-Omni-30B-A3B-Instruct

Éditeur : Alibaba (Chine). Poids ouverts. Licence : Apache 2.0.

En bref : 15e sur 16 en prononciation du français.

Page : https://quelleia.com/voix/modeles/alibaba-qwen3-omni-30b-a3b-instruct/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Modèle omnimodal à poids ouverts d'Alibaba (Qwen) qui comprend texte, images, audio et vidéo et répond en texte ou en voix naturelle, en streaming temps réel. Cette version Instruct repose sur une architecture MoE en deux parties, Thinker et Talker. (lu sur https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct/raw/main/README.md)

- Sortie : 22 septembre 2025 (lu sur la page de l'éditeur, https://raw.githubusercontent.com/QwenLM/Qwen3-Omni/main/README.md)
- Taille : 35,3 milliards de paramètres (selon Open TTS Leaderboard)

## Langues

- Annoncées par l'éditeur : 10 langues en sortie vocale (19 en entrée vocale, 119 en texte), dont le français (en, zh, fr, de, ru, it, es, pt, ja, ko).
- Évaluées par nos sources : français.
- Le français : annoncé par l'éditeur ; évalué, 15e sur 16 en prononciation du français (14,23 %).
- Source des langues annoncées : https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct/raw/main/README.md

## Ses classements

- Prononciation du français : 15e sur 16, taux d'erreur par mot 14,23 % ; vitesse : RTFx 10 : produit 10 secondes d'audio par seconde de calcul ; clonage de voix : non. Source : Open TTS Leaderboard, Hugging Face, https://huggingface.co/spaces/hf-audio/open_tts_leaderboard (relevé du 19 octobre 2026, version du 9 octobre 2026).

## Modèles proches

- Prononciation du français : [Voxtral TTS](https://quelleia.com/voix/modeles/voxtral-tts/), 14e (13,42 %), juste devant
- Prononciation du français : [chatterbox](https://quelleia.com/voix/modeles/resemble-ai-chatterbox/), 16e (16,34 %), juste derrière

## Comment lire ces chiffres

- Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.

## Noms dans les sources

- Hugging Face (hf-audio) : Qwen/Qwen3-Omni-30B-A3B-Instruct

## Liens

- Page de l'éditeur : https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct
- L'essayer : https://huggingface.co/spaces/Qwen/Qwen3-Omni-Demo

## Pages lues

- https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct/raw/main/README.md (« It processes text, images, audio, and video, and delivers real-time streaming responses in both text and natural speech. »), 17/10/2026
- https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct/raw/main/README.md (« MoE-based Thinker-Talker design with AuT pretraining for strong general representations »), 17/10/2026
- https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct/raw/main/README.md (« Supports 119 text languages, 19 speech input languages, and 10 speech output languages. »), 17/10/2026
- https://huggingface.co/Qwen/Qwen3-Omni-30B-A3B-Instruct/raw/main/README.md (« English, Chinese, French, German, Russian, Italian, Spanish, Portuguese, Japanese, Korean. »), 17/10/2026
- https://raw.githubusercontent.com/QwenLM/Qwen3-Omni/main/README.md (« 2025.09.22: 🎉🎉🎉 We have released [Qwen3-Omni] »), 17/10/2026