Qwen Audio 3.0 TTS Plus d'Alibaba prend la tête du classement de synthèse vocale Speech Arena

En juillet 2026, Alibaba a placé son modèle de synthèse vocale Qwen Audio 3.0 TTS Plus en tête du classement Speech Arena d'Artificial Analysis. Le modèle lit des textes en 16 langues et permet de définir le style de la voix avec des mots ordinaires ou des balises comme [angry].

Première place dans Speech Arena

Qwen Audio 3.0 TTS Plus domine Speech Arena, le leaderboard public des systèmes de text-to-speech tenu par la société d'analyse Artificial Analysis. Ce classement compare les modèles vocaux sur la qualité de la synthèse, et le nouveau modèle d'Alibaba devance ses rivaux au classement général.

• Développeur : Alibaba, modèle Qwen Audio 3.0 TTS Plus
• Première place du classement Speech Arena d'Artificial Analysis
• Prise en charge de 16 langues
• Contrôle du style de la voix : description en langage naturel ou balises comme [angry]
• Vitesse de génération : 16 caractères par seconde, soit moins que Sonic 3.5 et Simba 3.2

Comment donner une émotion à la voix

Dans Qwen Audio 3.0 TTS Plus, le style de la voix se pilote de deux façons : par une description en langage naturel ou par des balises dédiées. La balise [angry], par exemple, fait sonner le modèle de manière irritée. Ce contrôle de l'intonation distingue les modèles TTS actuels de la synthèse robotisée de la génération précédente, dont la voix restait monotone et dépourvue d'émotion.

La prise en charge de 16 langues élargit les usages : un même modèle peut servir à la voix off de contenus, aux assistants vocaux et au doublage sur différents marchés, sans changer de moteur.

Pourquoi le modèle est plus lent que ses concurrents

Qwen Audio 3.0 TTS Plus génère la parole à 16 caractères par seconde, nettement moins vite que ses rivaux directs Sonic 3.5 et Simba 3.2. Pour les tâches hors ligne, comme la préparation de livres audio ou de voix off pré-enregistrées, ce n'est pas critique : le fichier n'est de toute façon rendu qu'une seule fois. En revanche, dans les scénarios en temps réel, avec des agents vocaux et des dialogues en direct, cette vitesse se traduit par un décalage sensible entre la saisie du texte et le son.

Alibaba fait ainsi un arbitrage classique : le groupe gagne sur la qualité de synthèse, justement ce que mesure Speech Arena, mais perd sur la vitesse. Pour certaines tâches, le naturel de la voix compte davantage ; pour d'autres, c'est la latence minimale.

Première place dans

Speech Arena pour seulement 16 caractères par seconde : c'est ainsi que le classement d'Artificial Analysis décrit le résultat de Qwen Audio 3.0 TTS Plus, selon le site The Decoder.

Ce que cela signifie

La première place de Qwen Audio 3.0 TTS Plus montre que la course aux modèles TTS a quitté le simple « lire un texte de façon intelligible » pour le contrôle de l'émotion et du style dans de nombreuses langues. Mais il n'existe pas encore de vainqueur universel : qualité et vitesse restent un arbitrage, et le choix du modèle dépend de ce qui compte le plus pour la tâche.

Questions fréquentes

Combien de langues

Qwen Audio 3.0 TTS Plus prend-il en charge ?

Le modèle lit des textes en 16 langues. Il permet en outre de piloter le style et l'émotion de la voix par une description en langage naturel ou par des balises comme [angry].

En quoi

Qwen Audio 3.0 TTS Plus est-il inférieur à ses concurrents ?

Par sa vitesse de synthèse. Le modèle génère 16 caractères par seconde ; d'après Artificial Analysis, c'est nettement moins que ses concurrents Sonic 3.5 et Simba 3.2, ce qui pénalise les scénarios en temps réel.