Qwen Audio 3.0 TTS Plus от Alibaba возглавила рейтинг синтеза речи Speech Arena

Em julho de 2026, a Alibaba levou seu modelo de síntese de voz Qwen Audio 3.0 TTS Plus ao primeiro lugar do ranking SpeechArena da Artificial Analysis — ele narra textos em 16 idiomas e permite definir o estilo de fala com palavras comuns ou tags como [angry].

Primeiro lugar no SpeechArena

O Qwen Audio 3.0 TTS Plus liderou o SpeechArena — o ranking público de sistemas 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 concorrentes na classificação geral.

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

Como definir a emoção da voz

O estilo de fala no Qwen Audio 3.0 TTS Plus pode ser controlado de duas formas: por descrição em linguagem natural ou por tags de serviço. Por exemplo, a tag [angry] faz o modelo soar irritado. Esse controle sobre a entonação diferencia os modelos TTS modernos da síntese robotizada da geração anterior, em que a voz soava uniforme e sem emoção.

O suporte a 16 idiomas amplia sua aplicação: o mesmo modelo pode ser usado para narrar conteúdo, assistentes de voz e dublagem em diferentes mercados sem trocar de mecanismo.

Por que o modelo é mais lento que os concorrentes

O Qwen Audio 3.0 TTS Plus gera fala a uma velocidade de 16 caracteres por segundo — visivelmente mais lenta que seus concorrentes diretos Sonic 3.5 e Simba 3.2. Para tarefas offline, como preparar um audiobook ou uma narração pré-gravada, isso não é crítico: o arquivo é renderizado apenas uma vez de qualquer forma. Já em cenários em tempo real — agentes de voz e diálogos ao vivo — essa velocidade significa um atraso perceptível entre a entrada de texto e o som.

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

Primeiro lugar no

SpeechArena com uma 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 relata o veículo The Decoder.

O que isso significa

A liderança do Qwen Audio 3.0 TTS Plus mostra que a corrida dos modelos TTS deixou de ser apenas "ler o texto de forma inteligível" para passar a controlar emoção e estilo em vários idiomas. Mas ainda não há um vencedor universal: qualidade e velocidade continuam sendo uma troca mútua, e a escolha do modelo depende do que é mais importante para a tarefa.

Perguntas frequentes

Quantos idiomas o Qwen Audio 3.0 TTS Plus suporta?

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

Em que o Qwen Audio 3.0 TTS Plus perde para os concorrentes?

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