Qwen Audio 3.0 TTS Plus, da Alibaba, lidera o ranking de síntese de voz da Speech Arena

Em julho de 2026, a Alibaba colocou o modelo de síntese de voz Qwen Audio 3.0 TTS Plus no primeiro lugar do ranking Speech Arena, da Artificial Analysis. O modelo converte texto em fala em 16 idiomas e permite definir o estilo da voz com palavras comuns ou com tags como [angry].

Primeiro lugar na Speech Arena

O Qwen Audio 3.0 TTS Plus lidera a Speech Arena, leaderboard público de sistemas de text-to-speech mantido pela empresa de análise Artificial Analysis. O ranking compara modelos de voz pela qualidade da síntese, e o novo modelo da Alibaba superou os rivais na classificação geral.

• Desenvolvedora: Alibaba, modelo Qwen Audio 3.0 TTS Plus
• Primeiro lugar no ranking Speech Arena, da Artificial Analysis
• Suporte a 16 idiomas
• Controle de estilo de fala: descrição em linguagem natural ou tags como [angry]
• Velocidade de geração de 16 caracteres por segundo, menor que a do Sonic 3.5 e a do Simba 3.2

Como definir a emoção da voz

No Qwen Audio 3.0 TTS Plus, o estilo de fala pode ser controlado de duas maneiras: com uma descrição em linguagem natural ou com tags de serviço. A tag [angry], por exemplo, faz o modelo soar irritado. Esse controle sobre a entonação distingue os modelos de TTS atuais da síntese robotizada da geração anterior, em que a voz soava monótona e sem emoção.

O suporte a 16 idiomas amplia as possibilidades de uso: o mesmo modelo pode servir para narração de conteúdo, assistentes de voz e dublagem em diferentes mercados, sem trocar de motor.

Por que o modelo é mais lento que os concorrentes

O Qwen Audio 3.0 TTS Plus gera fala a 16 caracteres por segundo, bem abaixo dos rivais diretos Sonic 3.5 e Simba 3.2. Para tarefas offline, como a produção de audiolivros ou de narrações gravadas com antecedência, isso não chega a ser um problema: o arquivo é renderizado uma única vez de qualquer forma. Já em cenários de tempo real, como agentes de voz e diálogos ao vivo, essa velocidade significa um atraso perceptível entre a entrada do texto e o som.

O resultado é uma troca típica: a Alibaba ganha em qualidade de síntese, que é justamente o que a Speech Arena avalia, mas perde em velocidade. Para algumas aplicações, a naturalidade da voz pesa mais; para outras, o que importa é a latência mínima.

Primeiro lugar na

Speech Arena com velocidade de apenas 16 caracteres por segundo: é assim que o ranking da Artificial Analysis descreve o resultado do Qwen Audio 3.0 TTS Plus, segundo o site The Decoder.

O que isso significa

A liderança do Qwen Audio 3.0 TTS Plus mostra que a disputa entre modelos de TTS deixou de ser sobre simplesmente "ler o texto de forma inteligível" e passou a envolver o controle de emoção e estilo em vários idiomas. Mas ainda não há um vencedor universal: qualidade e velocidade continuam sendo uma troca, e a escolha do modelo depende do que importa mais para cada tarefa.

Perguntas frequentes

Quantos idiomas o Qwen Audio 3.0 TTS Plus suporta?

O modelo converte texto em fala em 16 idiomas. Além disso, permite controlar o estilo e a emoção da voz por meio de uma descrição em linguagem natural ou de tags de serviço como [angry].

Em que o

Qwen Audio 3.0 TTS Plus fica atrás dos concorrentes?

Na velocidade de síntese. O modelo gera 16 caracteres por segundo, o que, segundo a Artificial Analysis, é bem mais lento que os concorrentes Sonic 3.5 e Simba 3.2, algo crítico em cenários de tempo real.