Qwen-Audio-3.0-TTS：登上 Arena 榜首的 TTS 模型

別把它和 Qwen3-TTS 搞混

搜尋「Qwen audio 3.0 TTS」時，多數結果其實會指向較早推出的開放權重語音模型家族 Qwen3-TTS。阿里巴巴已將其發布在 GitHub，也提供了 Hugging Face demo。這是使用者可以本機執行、串接 ComfyUI，並因聲音複製能力而在 Reddit 上受到熱議的那一套模型；和本文介紹的產品不是同一個。

Qwen-Audio-3.0-TTS 是更新一代的託管式服務，透過 Alibaba Cloud Model Studio (Bailian) 提供，而非下載模型權重自行部署。目前分為兩個層級：

• Plus：以聲音品質為優先，也就是登上榜首的版本，適合有聲書、旁白與配音等重視自然度、不那麼在意數毫秒差距的工作。
• Flash：以低延遲為目標，首包延遲約 300 ms，面向語音代理、即時助理等需要即時互動的場景。

同一份排行榜已清楚顯示兩代之間的差距：較早的 Qwen3 TTS Flash Elo 為 929 左右、排名約第 76；新的 Plus 則以 1,237 居首。雖然同屬 Qwen 產品脈絡，模型等級已經不同。

兩者的適用工作也不一樣。若你正在兩者之間選擇，可參考以下比較：

若最重視自行託管的掌控權或零邊際成本，應選開放權重系列；若品質、方言廣度，或不想維護自家 GPU 更重要，則應考慮託管式 3.0 方案。

讓它登頂的評測是什麼？

Artificial Analysis arena 是由獨立第三方進行的盲測人類偏好排名。聽眾在不知道音檔出自哪個模型的情況下比較片段，Elo 分數則反映各模型勝出的頻率。

以下是截至 2026 年 7 月 20 日的排行榜前段班：

阿里巴巴自行公布的指標，也與這份獨立排名呈現相近方向。在多語言 CV3-Eval 基準測試中，官方表示 Plus 的平均詞／字元錯誤率為 3.96，Flash 為 3.87，代表合成語音轉錄回文字時，和原始文本幾乎同樣準確。至於衡量複製聲音與參考音檔接近程度的說話者相似度，Plus 在 16 種受測語言的平均值為 82.75。這兩項數字來自阿里巴巴，而前述 Elo 並非如此。任何單一基準都只能作為起點，實際仍應以自己的音訊素材測試。

實務上最有感的四項能力

它能取得高排名，主要來自四項適合實際部署的能力，相關細節可見官方 Qwen-Audio-3.0-TTS 技術頁面。

自由文字指令控制。你可以直接用自然語言引導聲音，例如「用焦慮的深夜電台主持人口吻朗讀，結尾放慢速度」。角色、情緒、說話風格、語速、音色和口音都能涵蓋，不需要為基本控制另外學一套標記語言。

細緻的行內標籤。若要更精準控制，模型可辨識直接嵌入文字中的 86 種行內標籤，包含笑聲、呼吸、咳嗽與嘆氣等非語言事件。這正是平鋪直敘的朗讀與帶有表演感的演出之間的差異，也是它適合遊戲對白、旁白與影視配音的原因。

語言與方言覆蓋廣。它支援 16 種語言，其中新增了 7 種，包括阿拉伯語、印尼語、葡萄牙語、泰語、越南語、馬來語與他加祿語；另涵蓋 20 個中文方言區域，從粵語、上海話到四川話與東北話皆在其中。對要進入東南亞市場，或服務各中文語言市場的團隊而言，這樣的方言支援很難在其他產品中找到對手。

穩定性與輸出品質。即使參考音檔帶有噪音、混響或不夠清晰，它也能複製聲音，不需先經過獨立降噪流程；長篇旁白可單次合成最長三分鐘，並輸出 48 kHz 音訊（48 kHz 的控制台功能預計於 7 月 24 日推出）。單次生成三分鐘的重要性在於，將多個短片段拼接時，韻律與音色通常最容易產生漂移。

定價：榜首品質，不必付頂級帳單

文字轉語音通常依輸入文本的字元數計費，因此成本會隨旁白文字量直接增加。

Qwen-Audio-3.0-TTS-Plus 的價格是每百萬字元 $27.6，相較於它排名更高的兩個傳統高階品牌，成本低了許多：ElevenLabs Eleven v3 與 MiniMax Speech 2.8 HD 都是每百萬字元 $100，約為 Plus 的 3.6 倍。換成實際情境來看，一本 100,000 字元的有聲書，大致相當於一部短篇小說，在 Plus 上約需$2.76；上述兩者約需$10。

不過，Plus 並不是整體最便宜的選擇。有兩款品質稍低一級的模型價格更低：Gemini 3.1 Flash TTS 每百萬字元 $18.3、排名第 3；Simba 3.2 每百萬字元 $10、排名第 2，Elo 幾乎持平。因此較精確的說法是：Qwen 以中階價格提供榜首品質，而不是提供全榜最低價格。若應用不在乎幾個 Elo 分差，確實可以選擇更便宜的方案。（公開 arena 列出了 Plus 的價格，但尚未公布 Flash 的每字元費率；請至控制台確認 Flash 的即時價格。）

如何使用 Qwen-Audio-3.0-TTS

最直接的方式是使用 Alibaba Cloud Model Studio (Bailian)。請先參考 Model Studio 文件中的請求格式與 SDK：建立 API key 後，透過模型市集端點呼叫 qwen-audio-3.0-tts-plus 或 qwen-audio-3.0-tts-flash。一個合理的起手方式，是先用 Flash 做原型，確認延遲是否符合需求，再將相同腳本改跑 Plus 比較結果；該選哪一層，取決於你的情境是即時互動，還是聽眾會完整收聽的旁白內容。

若團隊已透過像 AIReiter 這類相容聚合平台整合多家供應商，並希望帳務集中在同一處，也可以直接在該平台加入此模型，不必另開阿里巴巴帳戶；若只需要這一款模型，直接使用通常最簡單。

如果需求是即時對話，而不是一次性的旁白生成，TTS 只是整個架構的一層；與其搭配的 omni Realtime API 和串流 ASR，可參考 Qwen Audio 3 Realtime guide。

你該選它嗎？

• 選 Plus：若你要生成中文、方言或多語言旁白、有聲書、配音，並希望以合理成本取得最高自然度。
• 選 Flash：若你正在打造即時語音代理，且約 300 ms 的首包延遲比最後幾個 Elo 品質分數更重要。
• 考慮 Gemini 3.1 Flash TTS 或 Simba 3.2：若成本才是決定因素，且接近頂級的品質已經足夠；兩者都比 Plus 便宜。
• 繼續使用 ElevenLabs 或 Cartesia：若你的工作流程依賴它們成熟的 SDK、更大的預建聲音庫，或以英文為主的工具與生態系統；這些仍是它們的優勢，不會因 arena 排名而改變。

在本文比較的模型中，同時具備 arena 第一名、20 個中文方言區域與每百萬字元 $27.6 定價的，只有 Plus。若這組合正好符合你的需求，與其直接相信排行榜，不如先拿自己的腳本實跑測試，再決定是否正式導入。

常見問題

Qwen-Audio-3.0-TTS 免費嗎？

不免費。託管式 Plus 與 Flash 都是付費方案，透過 Alibaba Cloud Model Studio 按字元計費；Plus 為每百萬字元 $27.6。Alibaba Cloud 曾不定期提供免費試用額度，請至控制台查看你所在區域目前的方案。開放權重的 Qwen3-TTS 則可免費自行託管。

Qwen-Audio-3.0-TTS 是開源的嗎？可以下載嗎？

託管式的 Qwen-Audio-3.0-TTS-Plus／Flash 不提供模型權重下載。可開源使用的模型是較早的 Qwen3-TTS 系列，可透過 GitHub 與 Hugging Face 用於本機部署、聲音複製與 ComfyUI 工作流程。兩者有關聯，但屬於不同版本的產品。

它支援聲音複製嗎？

支援。它能根據參考音檔複製目標聲音，且特別針對含噪音或混響的參考素材進行優化，不需先獨立清理音檔。Plus 在 16 種語言上的平均說話者相似度為 82.75。

Qwen-Audio-3.0-TTS 和 Qwen3-TTS-Flash 有什麼差別？

Qwen3-TTS-Flash 屬於較早的開放權重世代，在 arena 的排名低得多，Elo 約為 929。Qwen-Audio-3.0-TTS 則是新一代託管式產品：Flash 主打低延遲，Plus 則以 1,237 Elo 登上品質排行榜第一名。

有 Demo 或 ComfyUI 支援嗎？

開放權重的 Qwen3-TTS 有公開的 Hugging Face demo，也有社群提供的 ComfyUI 節點。託管式 Qwen-Audio-3.0-TTS 則透過 Alibaba Cloud Model Studio 控制台使用，而非提供獨立 Demo 頁面。