Qwen-Audio-3.0-TTS：登顶 Arena 的 TTS 模型

2026 年 7 月，阿里巴巴的 Qwen-Audio-3.0-TTS-Plus 以 1,237 的 Quality Elo 登上 Artificial Analysis Text-to-Speech arena 榜首，超过 Google Gemini 3.1 Flash TTS、MiniMax Speech 2.8 HD 和 ElevenLabs Eleven v3。它的公开价格为每百万字符 $27.6，约为它所超越的 ElevenLabs 和 MiniMax 相应档位价格的三分之一。它并非榜单中最便宜的模型，但没有其他模型能同时给出第一的质量排名和这个价位。（数据截至 2026 年 7 月 20 日；厂商排名和价格变动频繁，做方案前请自行确认。）

下面从模型定位、登顶依据、价格，以及它适合和不适合哪些场景几个方面展开。

别把它和 Qwen3-TTS 搞混

搜索“Qwen audio 3.0 TTS”时，很多结果实际上会指向更早发布的开源语音模型家族 Qwen3-TTS。阿里巴巴已将其发布在 GitHub，并提供了 Hugging Face demo。人们通常在本地运行它、接入 ComfyUI，也常在 Reddit 上讨论它的声音克隆能力。但这不是本文要讲的产品。

Qwen-Audio-3.0-TTS 是更新一代的托管服务，只能通过 Alibaba Cloud Model Studio (Bailian) 调用，而不是下载模型权重。它分为两个档位：

• Plus：追求成品音质——Arena 榜首对应的就是这一档，面向有声书、旁白和配音等自然度优先、对毫秒级延迟不那么敏感的场景。
• Flash：优先降低延迟——首包延迟约 300 ms，适合语音智能体、实时助手等交互类应用。

从同一份榜单就能看出代际差距：较早的 Qwen3 TTS Flash Elo 为 929 左右，排名约第 76；新 Plus 档则以 1,237 领跑。品牌脉络相同，模型能力却不在一个量级。

两者的适用任务也不同。若你正在二选一，可以这样看：

最在意部署控制权或零边际成本，就选开放权重路线；更重视质量、方言广度，或不想自己维护 GPU，则更适合托管的 3.0 档位。

它为何能登顶：看懂这项基准测试

Artificial Analysis arena 是独立第三方运营的盲测真人偏好榜。听众不知道音频由哪家模型生成，只比较不同片段；Elo 分数反映的是一个模型相对其他模型获胜的频率。

截至 2026 年 7 月 20 日，榜单前列如下：

阿里巴巴公布的自测指标也指向相近结论。在多语言 CV3-Eval 基准中，厂商报告 Plus 的平均词/字符错误率为 3.96，Flash 为 3.87，也就是说，合成语音被转写回来时，内容与原文几乎一致。衡量克隆音色与参考音频接近程度的说话人相似度方面，Plus 在测试的全部 16 种语言中达到 82.75。这两项数据来自阿里巴巴自身，前面的 Elo 则不是。任何单项基准都只能作为起点，最终仍应拿自己的音频和脚本实测。

实际能力：强在哪里

根据官方 Qwen-Audio-3.0-TTS 技术页面，它的生产力主要来自四项能力。

自然语言指令控制。你可以直接用日常语言塑造声音，例如“用焦虑的深夜电台主持人口吻念这段话，结尾放慢一些”。角色、情绪、说话风格、语速、音色和口音都能控制，无须先学习一套专门的标记语言。

文本内联标签细调。需要精细控制时，模型能识别直接写进文本的 86 种内联标签，包括笑声、呼吸、咳嗽和叹气等非语言事件。这正是平铺直叙与带表演感朗读之间的差别，也让它能用于游戏台词、旁白和影视配音。

语言和方言覆盖广。它支持 16 种语言，其中新增了 7 种，包括阿拉伯语、印度尼西亚语、葡萄牙语、泰语、越南语、马来语和他加禄语；同时覆盖 20 个中文方言区域，从粤语、上海话到四川话、东北话都有涉及。对于面向东南亚或多个中文市场发布产品的团队，这样的方言覆盖并不容易在其他方案中找到。

复杂素材下的稳定性与输出质量。即便参考音频带有噪声、混响或本身不够清晰，它也能克隆声音，无须额外进行降噪；长篇旁白可一次合成最长三分钟，输出音频为 48 kHz（控制台的 48 kHz 支持计划于 7 月 24 日上线）。三分钟单次生成很重要，因为将短音频拼接起来时，韵律和音色往往最容易漂移。

价格不低到极致，但顶级质量不必付顶级账单

文本转语音通常按输入文本的字符数计费，因此成本会随旁白文本量直接增长。

每百万字符 $27.6 的 Qwen-Audio-3.0-TTS-Plus，价格仅是它所超越的两大传统高端方案的一部分：ElevenLabs Eleven v3 与 MiniMax Speech 2.8 HD 均为每百万字符 $100，约为 Plus 的 3.6 倍。换算到实际项目，一本 100,000 字符的有声书——约相当于一部短篇小说——在 Plus 上约为 $2.76，而在后两者上约为 $10。

不过，Plus 并不是整体最便宜的选择。有两款质量稍低一档的模型价格更低：Gemini 3.1 Flash TTS 每百万字符 $18.3，排名第 3；Simba 3.2 每百万字符仅 $10，排名第 2，与 Plus 的 Elo 非常接近。因此更准确的说法是：Qwen 以中档价格提供了榜首质量，而不是提供了榜单最低价。如果业务不在意少数几个 Elo 分差，确实可以花得更少。（公开 Arena 目前列出了 Plus 的价格；Flash 的按字符价格尚未公布，请到控制台查看实时价格。）

如何使用 Qwen-Audio-3.0-TTS

最直接的入口是 Alibaba Cloud Model Studio (Bailian)。请求格式和 SDK 可参考 Model Studio documentation：创建 API key 后，通过模型市场端点调用 qwen-audio-3.0-tts-plus 或 qwen-audio-3.0-tts-flash。一个合理的起步方式是先用 Flash 做原型，确认延迟是否符合预期，再用同一批脚本测试 Plus 并做对比。最终选哪个档位，取决于你的应用是实时交互，还是供用户从头听到尾的旁白内容。

如果团队已通过兼容聚合平台——例如 AIReiter——接入多个服务商，希望在同一处管理账单，也可以在那里添加该模型，无须单独开通阿里巴巴账户；如果你只需要这一款模型，直接接入通常最简单。

如果你的需求是实时对话，而不是一次性生成旁白，TTS 只是其中一层；与之配套的 omni Realtime API 和流式 ASR，可参考 Qwen Audio 3 Realtime guide。

该不该选它？

• 选择 Plus：如果你要生成中文、方言或多语言旁白、有声书和配音，并希望以较高性价比获得最自然的效果。
• 选择 Flash：如果你在构建实时语音智能体，约 300 ms 的首包延迟比质量上最后几个 Elo 分数更重要。
• 考虑 Gemini 3.1 Flash TTS 或 Simba 3.2：如果成本是决定性因素，而接近顶尖的质量已足够，两者都比 Plus 更便宜。
• 继续使用 ElevenLabs 或 Cartesia：如果你依赖其成熟 SDK、更大的预置音色库，或以英语为中心的工具链和生态；这些方面它们仍有优势，不受 Arena 排名影响。

在本文比较的模型中，第一的 Arena 排名、20 个中文方言区域和 $27.6/M 定价这三项组合，只有 Plus 同时具备。如果这正是你的应用所需，与其完全相信榜单，不如先拿自己的脚本跑一遍，再决定是否投入使用。

常见问题

Qwen-Audio-3.0-TTS 免费吗？

不免费。托管的 Plus 和 Flash 都是付费档位，通过 Alibaba Cloud Model Studio 按字符计费；Plus 为每百万字符 $27.6。Alibaba Cloud 曾不定期提供免费试用额度，请在控制台查看你所在地区当前的优惠。开放权重的 Qwen3-TTS 可免费自行托管。

Qwen-Audio-3.0-TTS 是开源的吗？可以下载吗？

托管的 Qwen-Audio-3.0-TTS-Plus/Flash 不提供模型权重下载。开源的是更早的 Qwen3-TTS 家族，可通过 GitHub 和 Hugging Face 用于本地运行、声音克隆和 ComfyUI 工作流。两者有关联，但属于独立发布的产品。

它支持声音克隆吗？

支持。它可根据参考音频克隆目标声音，并针对有噪声或混响的参考素材进行了优化，无须额外清理步骤。Plus 在 16 种语言上的平均说话人相似度为 82.75。

Qwen-Audio-3.0-TTS 和 Qwen3-TTS-Flash 有什么区别？

Qwen3-TTS-Flash 属于较早的开放权重一代，在 Arena 上排名低得多，Elo 约为 929。Qwen-Audio-3.0-TTS 是新一代托管服务：Flash 档面向低延迟，Plus 档则以 1,237 Elo 登顶质量榜单。

有演示页面或 ComfyUI 支持吗？

开放权重的 Qwen3-TTS 有公开的 Hugging Face 演示页面和社区 ComfyUI 节点。托管的 Qwen-Audio-3.0-TTS 档位则通过 Alibaba Cloud Model Studio 控制台访问，并没有独立的演示页面。