Qwen-Audio 3.0 TTS Plus 登顶语音排行榜 —— 但速度是否太慢？

阿里巴巴的Qwen-Audio 3.0 TTS Plus 現已在Artificial Analysis的文本转语音排行榜上排名第一，Elo分数达到1,236，领先于SpeechifyAI的Simba 3.2两分，并超越了谷歌的Gemini 3.1 Flash TTS。该模型有两种变体：一种是用于实时交互的Flash版本，另一种是用于高保真输出的Plus版本，支持16种语言，包括塔加禄语和泰语等较为小众的语言。在性能方面，它能很好地处理嘈杂的参考音频，并允许通过标签进行情感提示，但其16 chars/sec的生成速度明显慢于Sonic 3.5和Simba 3.2。每百万字符定价27.60美元，它在企业TTS应用中树立了新的质量基准，尽管存在延迟的权衡。