在 2026 年 7 月，阿里巴巴的 Qwen-Audio-3.0-TTS-Plus 以 1,237 的 Quality Elo 分數登上了 Artificial Analysis Text-to-Speech 競技場 的第一名，領先 Google 的 Gemini 3.1 Flash TTS、MiniMax Speech 2.8 HD，以及 ElevenLabs 的 Eleven v3。其價格也列為 每百萬字元 27.6 美元，約為 ElevenLabs 和 MiniMax 對其所超越的分級所收費用的三分之一。它不是排行榜上最便宜的模型，但沒有其他模型能以這個價格同時具備它的第一名品質。（數據截至 2026 年 7 月 20 日；供應商經常變動排名與價格，因此在規劃使用前請先確認兩者。）
以下是該模型是什麼、它如何獲得該排名、其費用，以及何時它是——或不是——正確選擇。
首先，不要把它與 Qwen3-TTS 混淆
搜尋「Qwen audio 3.0 TTS」時，大多數結果都指向 Qwen3-TTS，這是 Alibaba 先前發布的開放權重語音系列，並已發表在 GitHub 和 Hugging Face demo 上。這就是人們會在本機執行、接入 ComfyUI，並在 Reddit 上對其聲音複製功能讚不絕口的模型。它與本指南中的產品不同。
Qwen-Audio-3.0-TTS 是較新的託管式生成版本，透過 Alibaba Cloud Model Studio (Bailian) 提供，而不是以可下載權重的形式發布。它分為兩個層級：
- Plus — 以品質優先為主的方案（也是獲得第 1 名排名的方案），適用於有聲書、旁白與配音等對自然度比毫秒更重要的場景。
- Flash — 以延遲優先的方案，首包延遲約 300 ms，專為語音代理與即時助理等即時互動而打造。
同一個排行榜上的世代差距非常明顯：較舊的 Qwen3 TTS Flash 的 Elo 為 929（排名約第 76），而新的 Plus 等級則以 1,237 領先。雖然同屬同一品牌系列，但模型層級已不同。
兩者也各自扮演不同的角色。如果你要在它們之間做選擇，可以這樣區分：
| Qwen3-TTS（開放權重） | Qwen-Audio-3.0-TTS（託管） | |
|---|---|---|
| 如何取得 | 下載權重（GitHub / Hugging Face） | 透過 Alibaba Cloud Model Studio 的 API |
| 自行託管 / 本機執行 | 可以 | 不行 — 僅限託管 |
| ComfyUI & 社群節點 | 可以 | 不行 |
| 方案 | 單一開放家族 | Plus（品質）/ Flash（約 300 ms） |
| 語言覆蓋 | 約 10 種語言 | 16 種語言 + 20 種中文方言 |
| Arena 品質 Elo | 約 929（Qwen3 TTS Flash） | 1,237（Plus，#1） |
| 最適合 | 本機控制、資料駐留、動手調整 | 頂級品質、方言、規模化生產 |
當託管控制權或零邊際成本最重要時，請選擇 open-weight 系列；當品質、方言覆蓋範圍，或不需要自行運行 GPU 更重要時，請選擇託管的 3.0 方案。
贏得該排名的基準測試
Artificial Analysis 競技場是一個由獨立第三方進行的盲測、以人類偏好為基準的排名：聆聽者在不知道是哪個模型產生音訊的情況下比較片段，而 Elo 分數則反映每個模型獲勝的頻率。
截至 2026 年 7 月 20 日，以下是競技場的頂端：
| 排名 | 模型 | 品質 Elo | API 價格 / 100萬字元 |
|---|---|---|---|
| 1 | Qwen-Audio-3.0-TTS-Plus (Alibaba) | 1,237 | $27.6 |
| 2 | Simba 3.2 (SpeechifyAI) | 1,232 | $10.0 |
| 3 | Gemini 3.1 Flash TTS (Google) | 1,211 | $18.3 |
| 4 | Sonic 3.5 (Cartesia) | 1,211 | $49.0 |
| 8 | MiniMax Speech 2.8 HD | 1,180 | $100.0 |
| 11 | ElevenLabs Eleven v3 | 1,173 | $100.0 |
阿里巴巴自行公布的指標也與獨立排名一致。在多語言 CV3-Eval 基準上，該供應商報告 Plus 方案的平均詞/字元錯誤率為 3.96，Flash 方案為 3.87——這表示合成語音回轉為文字時，幾乎與原始文本一樣準確。說話人相似度是衡量複製語音與參考語音匹配程度的指標，據報 Plus 在全部 16 種測試語言中的得分為 82.75。這兩個數字都是阿里巴巴自行提供的；上面的 Elo 分數則不是。請將任何單一基準視為起點，並使用你自己的音訊進行測試。
它的優點
此排名來自在生產環境中重要的四項能力，詳見 官方 Qwen-Audio-3.0-TTS 技術頁面。
自由風格指令控制。 你可以用自然語言來引導語音——「把這段念得像一位焦慮的深夜電台主持人，結尾放慢一點」——涵蓋角色、情緒、說話風格、語速、音色和口音。對於這些大方向，不需要另外學習一套標記語言。
細緻的內嵌標籤。 為了精準控制，模型會讀取直接放在文字中的 86 個內嵌標籤，包括像笑聲、呼吸、咳嗽和嘆息等非語言事件。這就是平鋪直述與表演之間的差異，也是讓模型可用於遊戲對話、敘述和電影配音的原因。
語言與方言覆蓋廣度。 它涵蓋 16 種語言——其中 7 種為新加入，包括阿拉伯語、印尼語、葡萄牙語、泰語、越南語、馬來語和他加祿語——以及 20 個中文方言區域，從粵語、上海話到四川話和東北話。對於面向東南亞或跨中文市場部署的團隊來說，這種方言覆蓋在其他地方很難匹敵。
穩健性與輸出品質。 它可從含雜訊、混響或不清晰的參考音訊中複製聲音，且無需額外的降噪步驟；可在單次傳遞中合成長達三分鐘的長篇旁白，並輸出 48 kHz 音訊（48 kHz 的控制台上線排程為 7 月 24 日）。三分鐘單次生成之所以重要，是因為拼接較短的片段時，韻律和音色通常會漂移。
價格：頂級品質，無需頂級帳單
文字轉語音會依輸入文字的字元數計費，因此成本會直接隨著您朗讀的內容多寡而增加。
以每百萬字元 $27.6 的價格來看，Qwen-Audio-3.0-TTS-Plus 的成本只是它所超越的兩個傳統頂級品牌的一小部分：ElevenLabs Eleven v3 和 MiniMax Speech 2.8 HD 兩者的標價都是每百萬字元 $100，約高出 3.6 倍。以實際使用來說，一本 100,000 字元的有聲書（大約是一部短篇小說）在 Plus 上的費用約為$2.76，而在這兩個產品上則約為$10。
不過，Plus 並不是整體上最便宜的選項。有兩個品質略低一級的模型壓低了它的價格：Gemini 3.1 Flash TTS 每百萬字元 $18.3（排名第 3），以及 Simba 3.2 每百萬字元 $10（排名第 2，Elo 幾乎持平）。因此，準確的說法應該更聚焦一些——Qwen 以中等價位提供頂尖排名的品質，而不是棋盤上最低的價格。如果幾個 Elo 分數對你的使用情境並不重要，你就可以付更少。 （公開競技場列出的是 Plus 的定價；Flash 的每字元費率目前尚未在那裡公布，因此請到控制台查看即時的 Flash 數字。）
如何使用 Qwen-Audio-3.0-TTS
直接路徑是 Alibaba Cloud Model Studio (Bailian)，其請求格式與 SDK 請見 Model Studio 文件：先建立 API key，然後透過 model-market 端點呼叫 qwen-audio-3.0-tts-plus 或 qwen-audio-3.0-tts-flash 模型。合理的起點是先在 Flash 上做原型，看看其延遲是否符合需求，接著用 Plus 執行相同的腳本並比較——正確的方案取決於你的使用情境是即時互動，還是讓聽眾從頭到尾聽完的旁白。
已經透過相容的聚合器（如 AIReiter）將多家供應商導入同一計費介面的團隊，可以直接在那裡新增，而不必另外開設獨立的 Alibaba 帳戶；如果這是你唯一需要的模型，直接使用會最簡單。
如果你需要即時對話，而不是一次性朗讀，那麼 TTS model 只是其中一層——與其搭配的 omni Realtime API 和 streaming ASR，已在 Qwen Audio 3 Realtime guide 中說明。
您應該使用它嗎？
- 選擇 Plus 如果你要生成中文、方言或多語言旁白、有聲書或配音，並且希望以每美元獲得最高的自然度。
- 選擇 Flash 如果你正在打造即時語音代理，而約 300 ms 的首包時間比最後幾個 Elo 分數點的品質更重要。
- 考慮 Gemini 3.1 Flash TTS 或 Simba 3.2 如果成本是決定因素，而且接近頂尖的品質就已足夠——兩者都比 Plus 更便宜。
- 若你依賴 ElevenLabs 或 Cartesia，則繼續使用它們 如果你仰賴它們成熟的 SDK、更大的預建語音庫，或以英文優先的工具與生態系，而在這些方面它們仍然領先，不受榜單排名影響。
在這裡比較的模型中，#1 的 arena 排名、20 個中文方言地區，以及 $27.6/M 定價的組合，只有 Plus 提供——這就是為什麼，如果這種組合符合你的使用情境，在正式採用之前，值得先用你自己的腳本跑一遍，而不是只憑排名就全盤相信。
常見問題
Qwen-Audio-3.0-TTS 是免費的嗎？
不——託管的 Plus 和 Flash 方案皆為付費，並透過 Alibaba Cloud Model Studio 按字元計費，其中 Plus 為每百萬字元 27.6 美元。Alibaba Cloud 曾不定期提供免費試用額度，因此請查看控制台，確認您所在區域是否有最新優惠。開源權重的 Qwen3-TTS 可免費自行託管。
Qwen-Audio-3.0-TTS 是開源的嗎？我可以下載它嗎？
託管的 Qwen-Audio-3.0-TTS-Plus/Flash 等級並非以權重形式提供。開源模型是較早的 Qwen3-TTS 系列，可在 GitHub 和 Hugging Face 上取得，用於本機使用、複製以及 ComfyUI 工作流程。它們彼此相關，但屬於不同的發佈版本。
它支援聲音複製嗎？
是。它會從參考音訊複製目標聲音，並且專門調校過，即使參考音訊有雜訊或混響也能維持效果——不需要額外的清理步驟。Plus 方案在 16 種語言中的說話者相似度平均為 82.75。
Qwen-Audio-3.0-TTS 與 Qwen3-TTS-Flash——有什麼差別？
Qwen3-TTS-Flash 屬於較早期的開放權重版本，在競技場中的排名相對較低（Elo 約 929）。Qwen-Audio-3.0-TTS 是新的託管版本；其 Flash 層級主打低延遲，而 Plus 層級則以 Elo 1,237 名列品質排行榜首位。
有提供示範或 ComfyUI 支援嗎？
開放權重的 Qwen3-TTS 提供公開的 Hugging Face demo 和社群 ComfyUI 節點。託管式的 Qwen-Audio-3.0-TTS 方案則是透過阿里雲 Model Studio 控制台存取，而不是透過獨立的 demo 頁面。