Qwen-Audio-3.0-TTS-Plus Của Alibaba Dẫn Đầu Bảng Xếp Hạng Tổng Hợp

Qwen-Audio-3.0-TTS-Plus đạt Elo 1,236, xếp trên Simba 3.2 với 1,234, Gemini 3.1 Flash TTS với 1,214 và Sonic 3.5 với 1,207. Bảng xếp hạng là của Artificial Analysis.

Mô hình có hai phiên bản: Flash dành cho tương tác thời gian thực với độ trễ khoảng 300 mili giây, và Plus nhắm tới chất lượng giọng nói cao. Alibaba cho biết mô hình hỗ trợ 16 ngôn ngữ, trong đó có Tagalog, Malay, Thai và Vietnamese, cùng nhiều phương ngữ Trung Quốc.

Người dùng có thể điều hướng phong cách nói bằng ngôn ngữ tự nhiên hoặc thêm dấu hiệu phi ngôn ngữ bằng thẻ như "[angry]" hoặc "[giggles]". Alibaba cũng nói mô hình xử lý tốt hơn các bản tham chiếu có tiếng ồn hoặc tiếng vang khi sao chép giọng nói so với các phiên bản trước.

Tốc độ là điểm yếu: Qwen-Audio-3.0-TTS-Plus cho 16 ký tự mỗi giây, chậm hơn nhiều so với Sonic 3.5 (120) và Simba 3.2 (30.2). Giá là 27,60 đô la cho mỗi triệu ký tự qua Alibaba Cloud Model Studio.