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

Alibaba в июле 2026 года вывела модель синтеза речи Qwen Audio 3.0 TTS Plus на первое место рейтинга Speech Arena от Artificial Analysis — она озвучивает текст на 16 языках и позволяет задавать стиль речи обычными словами или тегами вроде [angry].

Первое место в Speech Arena

Qwen Audio 3.0 TTS Plus возглавила Speech Arena — публичный leaderboard систем text-to-speech, который ведёт аналитическая компания Artificial Analysis. Рейтинг сравнивает голосовые модели по качеству синтеза, и новая модель Alibaba обошла соперников в общем зачёте.

• Разработчик — Alibaba, модель Qwen Audio 3.0 TTS Plus
• Первое место в рейтинге Speech Arena от Artificial Analysis
• Поддержка 16 языков
• Управление стилем речи: описание на естественном языке или теги вроде [angry]
• Скорость генерации — 16 символов в секунду, медленнее Sonic 3.5 и Simba 3.2

Как задать эмоцию голосу

Стилем речи в Qwen Audio 3.0 TTS Plus можно управлять двумя способами: описанием на естественном языке или служебными тегами. Например, тег [angry] заставляет модель звучать раздражённо. Такой контроль над интонацией отличает современные TTS-модели от роботизированного синтеза прошлого поколения, где голос звучал ровно и безэмоционально.

Поддержка 16 языков расширяет применение: одну и ту же модель можно использовать для озвучки контента, голосовых ассистентов и дубляжа на разных рынках без смены движка.

Почему модель медленнее конкурентов

Qwen Audio 3.0 TTS Plus генерирует речь со скоростью 16 символов в секунду — заметно медленнее прямых соперников Sonic 3.5 и Simba 3.2. Для офлайн-задач вроде подготовки аудиокниг или заранее записанной озвучки это некритично: файл всё равно рендерится один раз. А вот в сценариях реального времени — голосовых агентах и живых диалогах — такая скорость означает ощутимую задержку между вводом текста и звуком.

Получается характерный размен: Alibaba выигрывает по качеству синтеза, которое и оценивает Speech Arena, но проигрывает по скорости. Для одних задач важнее естественность голоса, для других — минимальная задержка.

Первое место в

Speech Arena при скорости всего 16 символов в секунду — так результат Qwen Audio 3.0 TTS Plus описывает рейтинг Artificial Analysis, о чём сообщает издание The Decoder.

Что это значит

Лидерство Qwen Audio 3.0 TTS Plus показывает, что гонка TTS-моделей сместилась от простого «разборчиво прочитать текст» к контролю над эмоцией и стилем на многих языках. Но универсального победителя пока нет: качество и скорость остаются взаимным разменом, и выбор модели зависит от того, что для задачи важнее.

Частые вопросы

Сколько языков поддерживает Qwen Audio 3.0 TTS Plus?

Модель озвучивает текст на 16 языках. Дополнительно она позволяет управлять стилем и эмоцией речи через описание на естественном языке или служебные теги вроде [angry].

Чем Qwen Audio 3.0 TTS Plus уступает конкурентам?

Скоростью синтеза. Модель генерирует 16 символов в секунду — по данным Artificial Analysis, это заметно медленнее конкурентов Sonic 3.5 и Simba 3.2, что критично для сценариев реального времени.