Qwen Audio 3.0 TTS Plus, de Alibaba, lidera el ranking de síntesis de voz Speech Arena

Alibaba ha llevado en julio de 2026 su modelo de síntesis de voz Qwen Audio 3.0 TTS Plus al primer puesto del ranking Speech Arena de Artificial Analysis. El modelo narra texto en 16 idiomas y permite definir el estilo de la voz con palabras corrientes o con etiquetas como [angry].

Primer puesto en Speech Arena

Qwen Audio 3.0 TTS Plus encabeza Speech Arena, un leaderboard público de sistemas de text-to-speech que mantiene la firma de análisis Artificial Analysis. El ranking compara los modelos de voz por la calidad de su síntesis, y el nuevo modelo de Alibaba ha superado a sus rivales en la clasificación general.

• Desarrollador: Alibaba, modelo Qwen Audio 3.0 TTS Plus
• Primer puesto en el ranking Speech Arena de Artificial Analysis
• Compatibilidad con 16 idiomas
• Control del estilo de la voz: descripción en lenguaje natural o etiquetas como [angry]
• Velocidad de generación: 16 caracteres por segundo, inferior a Sonic 3.5 y Simba 3.2

Cómo darle emoción a la voz

En Qwen Audio 3.0 TTS Plus se puede controlar el estilo de la voz de dos maneras: con una descripción en lenguaje natural o con etiquetas de servicio. Por ejemplo, la etiqueta [angry] hace que el modelo suene irritado. Este control de la entonación distingue a los modelos TTS actuales de la síntesis robótica de la generación anterior, cuya voz sonaba plana y sin emoción.

La compatibilidad con 16 idiomas amplía los usos posibles: el mismo modelo sirve para narrar contenidos, para asistentes de voz y para doblaje en distintos mercados, sin cambiar de motor.

Por qué el modelo es más lento que sus rivales

Qwen Audio 3.0 TTS Plus genera voz a 16 caracteres por segundo, bastante menos que sus rivales directos Sonic 3.5 y Simba 3.2. En tareas offline, como preparar audiolibros o locuciones grabadas de antemano, no es un problema crítico: el archivo se renderiza una sola vez. En escenarios de tiempo real, como los agentes de voz y las conversaciones en vivo, esa velocidad implica un retraso perceptible entre la entrada del texto y el sonido.

El resultado es un intercambio característico: Alibaba gana en calidad de síntesis, que es lo que mide Speech Arena, pero pierde en velocidad. Para unas tareas pesa más la naturalidad de la voz; para otras, la latencia mínima.

Primer puesto en

Speech Arena con una velocidad de solo 16 caracteres por segundo: así describe el ranking de Artificial Analysis el resultado de Qwen Audio 3.0 TTS Plus, según informa el medio The Decoder.

Qué significa

El liderazgo de Qwen Audio 3.0 TTS Plus muestra que la competencia entre modelos TTS ha pasado de simplemente "leer el texto con claridad" a controlar la emoción y el estilo en muchos idiomas. Pero todavía no hay un ganador universal: calidad y velocidad siguen siendo un intercambio, y la elección del modelo depende de lo que importe más en cada tarea.

Preguntas frecuentes

¿Cuántos idiomas admite Qwen Audio 3.0 TTS Plus?

El modelo narra texto en 16 idiomas. Además, permite controlar el estilo y la emoción de la voz mediante una descripción en lenguaje natural o etiquetas de servicio como [angry].

¿En qué queda por detrás de sus competidores

Qwen Audio 3.0 TTS Plus?

En la velocidad de síntesis. El modelo genera 16 caracteres por segundo; según Artificial Analysis, es bastante más lento que sus competidores Sonic 3.5 y Simba 3.2, algo crítico en escenarios de tiempo real.