在 2026 年 7 月，阿里巴巴的 Qwen-Audio-3.0-TTS-Plus 在 Artificial Analysis Text-to-Speech arena 上以 1,237 的 Quality Elo 夺得第一名，领先于 Google 的 Gemini 3.1 Flash TTS、MiniMax Speech 2.8 HD 和 ElevenLabs 的 Eleven v3。其定价也为 每百万字符 27.6 美元，约为 ElevenLabs 和 MiniMax 对其所超越的那些档位收费的三分之一。它并不是榜单上最便宜的模型，但没有其他模型能以这样的价格同时拥有其第一的质量表现。（数据截至 2026 年 7 月 20 日；供应商经常调整排名和价格，因此在围绕它们做计划之前，请先确认这两项。）
以下是该模型是什么、它如何获得该排名、它的费用，以及它在何种情况下是合适的选择——或不是。
首先，不要把它和 Qwen3-TTS 混淆
搜索“Qwen audio 3.0 TTS”，大多数结果都会指向 Qwen3-TTS，这是阿里巴巴早些时候发布并在 GitHub 和 Hugging Face demo 上公开的开源权重语音家族。那是人们在本地运行、接入 ComfyUI，并因语音克隆在 Reddit 上津津乐道的模型。它与本指南中的那个产品并不相同。
Qwen-Audio-3.0-TTS 是较新的托管生成版本，通过 Alibaba Cloud Model Studio (Bailian) 提供，而不是以可下载权重的形式发布。它分为两个层级：
- Plus — 以质量优先为核心的层级（可获得第 1 名排名），面向有声书、旁白和配音等对自然度比毫秒更重要的场景。
- Flash — 以延迟优先为核心的层级，首包延迟约 300 毫秒，专为语音代理和实时助手等交互式实时场景打造。
同一排行榜上的代际差距十分明显：较早的 Qwen3 TTS Flash 以 929 的 Elo 分数位列其中（大约第 76 名），而新的 Plus 级别则以 1,237 领先。虽然同属一个品牌谱系，但模型等级却不同。
这两者的用途也不同。如果你在它们之间做选择，可以这样区分：
| Qwen3-TTS (开放权重) | Qwen-Audio-3.0-TTS (托管) | |
|---|---|---|
| 获取方式 | 下载权重（GitHub / Hugging Face） | 通过 Alibaba Cloud Model Studio 的 API |
| 自行托管 / 本地运行 | 是 | 否 — 仅托管 |
| ComfyUI & 社区节点 | 是 | 否 |
| 档位 | 单一开放系列 | Plus（高质量）/ Flash（约 300 毫秒） |
| 语言覆盖 | 约 10 种语言 | 16 种语言 + 20 种中文方言 |
| Arena 质量 Elo | 约 929（Qwen3 TTS Flash） | 1,237（Plus，#1） |
| 最适合 | 本地控制、数据驻留、折腾调试 | 顶级质量、方言、规模化生产 |
当托管控制或零边际成本最重要时，选择开源权重系列；当质量、方言覆盖范围，或无需自行运行 GPU 更重要时，选择托管的 3.0 套餐。
赢得该排名的基准测试
Artificial Analysis 对战场是由独立第三方运行的盲测、以人类偏好为基础的排名：听众在不知道是哪种模型生成片段的情况下进行比较，而 Elo 分数反映了每个模型获胜的频率。
截至 2026 年 7 月 20 日，以下是竞技场顶部：
| 排名 | 模型 | 质量 Elo | API 价格 / 100万字符 |
|---|---|---|---|
| 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 |
阿里巴巴自报的指标也指向同样的结论，与独立排名一致。在多语言 CV3-Eval 基准上，厂商报告 Plus 档的平均词/字符错误率为 3.96，Flash 档为 3.87——这意味着合成语音回转成文本时，其准确度几乎与源文本相当。说话人相似度用于衡量克隆语音与参考语音的接近程度，据报告 Plus 在全部 16 种测试语言中的得分为 82.75。这两个数字是阿里巴巴自家的；上面的 Elo 不是。请将任何单一基准都视为起点，并在你自己的音频上进行测试。
它的优点
该排名来自在生产环境中至关重要的四项能力，详见 Qwen-Audio-3.0-TTS 官方技术页面。
自由风格指令控制。 你可以用通俗语言来引导语音——“把这段读得像一位焦虑的深夜电台主持人，结尾处放慢一点”——涵盖角色、情绪、说话风格、语速、音色和口音。对于这些大方向，不需要额外学习一套独立的标记语言。
细粒度行内标签。 为了实现精确控制，模型会读取直接放在文本中的 86 个行内标签，其中包括笑声、呼吸、咳嗽和叹息等非语言事件。这就是平铺式朗读与表演之间的区别，也正是使该模型可用于游戏对话、叙述和电影配音的原因。
语言和方言覆盖广度。它涵盖 16 种语言——其中 7 种为新加入，包括阿拉伯语、印度尼西亚语、葡萄牙语、泰语、越南语、马来语和塔加洛语——以及 20 个中文方言地区，从粤语和上海话到四川话和东北话。对于面向东南亚或中国市场各地区发布产品的团队而言，这种方言覆盖在其他地方很难匹敌。
鲁棒性和输出质量。它可从嘈杂、带有混响或不清晰的参考音频中克隆声音，无需单独的降噪步骤，可在单次生成中合成长达三分钟的长篇旁白，并输出 48 kHz 音频（48 kHz 的控制台发布计划于 7 月 24 日进行）。三分钟单次生成之所以重要，是因为将较短片段拼接起来时，韵律和音色通常会发生漂移。
定价：高品质，无高价账单
文本转语音按输入文本的字符数计费，因此成本会直接随着你朗读的内容多少而变化。
以每百万字符 $27.6 的价格，Qwen-Audio-3.0-TTS-Plus 仅为它所超越的两个传统高端品牌的一小部分：ElevenLabs Eleven v3 和 MiniMax Speech 2.8 HD 的标价都是每百万字符 $100，约高出 3.6 倍。按实际工作量计算，一部 100,000 字符的有声书（大致相当于一部短篇小说）在 Plus 上的费用约为$2.76，而在这两款产品上则约为$10。
不过，Plus 并不是整体上最便宜的选项。有两个质量稍低一档的模型比它更便宜：Gemini 3.1 Flash TTS 的价格为每百万字符 18.3 美元（排名第 3），Simba 3.2 为 10 美元（排名第 2，Elo 几乎持平）。因此，更准确的表述应当是：Qwen 以中等价位提供顶尖排名的质量，而不是全场最低价。如果几个 Elo 点数对你的使用场景无关紧要，你就可以花更少的钱。（公开竞技场列出了 Plus 的定价；Flash 的每字符费率在那里尚未公布，所以请在控制台查看实时的 Flash 数值。）
如何使用 Qwen-Audio-3.0-TTS
直接路径是 Alibaba Cloud Model Studio（Bailian），其请求格式和 SDK 见 Model Studio documentation：先申请一个 API key，然后通过 model-market endpoint 调用 qwen-audio-3.0-tts-plus 或 qwen-audio-3.0-tts-flash 模型。一个合理的起点是先在 Flash 上做原型，看看它的延迟是否合适，再用 Plus 运行相同的脚本并进行比较——合适的层级取决于你的用例是实时交互，还是听众从头到尾听完的旁白。
已经通过像 AIReiter 这样的兼容聚合器接入多个提供商、以便在一个平台上统一计费的团队，可以直接在那儿添加它，而不必单独开通一个 Alibaba 账户；如果这只是你唯一需要的模型，直接使用则最简单。
如果你需要实时对话而不是一次性朗读，那么 TTS 模型只是其中一层——与之配套的 omni Realtime API 和 streaming ASR 已在 Qwen Audio 3 Realtime guide 中介绍。
你应该使用它吗？
- 选择 Plus 如果你生成中文、方言或多语言旁白、有声书或配音，并且希望以每美元获得最高的自然度。
- 选择 Flash 如果你正在构建一个实时语音代理，而约 300 ms 的首包时间比最后几分 Elo 质量更重要。
- 看看 Gemini 3.1 Flash TTS 或 Simba 3.2 如果成本是决定性因素，并且接近顶级的质量就足够了——两者都比 Plus 更便宜。
- 如果你依赖 ElevenLabs 或 Cartesia 更成熟的 SDK、更大的预置语音库，或以英语为先的工具和生态系统，那么就继续使用它们；无论竞技场排名如何，它们在这些方面仍然领先。
在这里比较的模型中，#1 竞技场排名、20 个中文方言地区以及 $27.6/M 定价的组合只有 Plus 提供——这就是为什么，如果这种组合适合你的使用场景，那么在最终决定之前，值得先把你自己的脚本通过它跑一遍，而不是盲目相信排名。
常见问题
Qwen-Audio-3.0-TTS 是免费的吗？
不——托管的 Plus 和 Flash 套餐是付费的，通过 Alibaba Cloud Model Studio 按字符计费，Plus 的价格为每百万字符 27.6 美元。Alibaba Cloud 会不定期提供免费试用额度，因此请在控制台中查看您所在地区当前是否有优惠。开源权重的 Qwen3-TTS 可免费自行托管。
Qwen-Audio-3.0-TTS 是开源的吗？我可以下载它吗？
托管的 Qwen-Audio-3.0-TTS-Plus/Flash 层级并非以权重形式分发。开源模型是更早的 Qwen3-TTS 系列，可在 GitHub 和 Hugging Face 上获取，用于本地使用、克隆以及 ComfyUI 工作流。它们彼此相关，但属于不同的发布版本。
它支持声音克隆吗？
是的。它会根据参考音频克隆目标声音，并且经过专门调优，即使参考音频存在噪声或混响也能保持效果——无需单独的清理步骤。Plus 版本在 16 种语言中的说话人相似度平均为 82.75。
Qwen-Audio-3.0-TTS 与 Qwen3-TTS-Flash —— 有什么区别？
Qwen3-TTS-Flash 属于较早的开放权重一代，在竞技场中的排名要低得多（Elo 约 929）。Qwen-Audio-3.0-TTS 是新一代托管版本；其 Flash 级别面向低延迟，而 Plus 级别则在质量排名中位居榜首，Elo 达到 1,237。
有演示或 ComfyUI 支持吗？
开源权重的 Qwen3-TTS 提供公开的 Hugging Face 演示和社区 ComfyUI 节点。托管的 Qwen-Audio-3.0-TTS 分级服务可通过阿里云 Model Studio 控制台访问，而不是通过独立的演示页面。