通义实验室推出 Qwen-Audio-3.0-TTS,Plus 版在 Artificial Analysis 榜单排第一
通义实验室发了两个实时语音合成模型:Flash 版首包延迟压到 300 毫秒左右,平均词错率/字错率 3.87,适合要反应快的场景;Plus 版直接冲到 Artificial Analysis 榜单第一,说话人相似度做到 82.75,支持 16 种语言和 20 种中文方言。正文没提参数量、跑在什么硬件上,也没说 API 怎么收费,所以成本这块先别急着算。
推荐理由:通义实验室发布 Qwen-Audio-3.0-TTS 的 Flash 与 Plus 两个版本,前者首包延迟约 300 毫秒,后者在 Artificial Analysis 榜单排第一并支持 16 种语言和 20 种中文方言。