# 通义实验室推出 Qwen-Audio-3.0-TTS，Plus 版在 Artificial Analysis 榜单排第一

> 原标题：通义实验室发布 Qwen-Audio-3.0-TTS 实时语音合成模型

- 来源：AI HOT 精选
- 发布时间：2026-07-20T08:53:11.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/45436
- 原文：https://mp.weixin.qq.com/s/INvrqTrWLMm2WCLIqhqTrg

## 摘要

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。

## 锐评

首包 300 毫秒这个数才是能落地的，实时语音对话卡的就是这一下，超过半秒用户就开始抢话。Plus 那个榜单第一和 82.75 的相似度，是厂商自己送测的，参考价值有限，16 种语言 20 种方言倒是真能省掉一堆本地化工作。

问题是没给价格也没给硬件，TTS 这东西按字符计费，跑实时对话一天下来 token 量不小，成本算不出来就没法选型。等 API 报价出来再看。
