Qwen Audio 3.0 TTS erschien am 20. Juli 2026. Flash zielt mit einer Erst-Paket-Latenz von ungefähr 300 Millisekunden auf Echtzeit, Plus auf Natürlichkeit und Stimmähnlichkeit. Alibaba nennt für Plus eine mittlere Sprecherähnlichkeit von 82,75 Prozent über 16 Sprachen.
In Artificial Analysis’ Text-to-Speech-Arena wird Plus nach paarweisen Blind-Hörvergleichen bewertet. Mit rund 1.238 Elo lag es am 22. Juli in der Kategorie Provider Voices vor Simba 3.2, Gemini 3.1 Flash TTS und Sonic 3.5. Das ist eine externe Messung, aber keine allgemeine Qualitätsgarantie.
Die Plus-Variante ist mit rund 16 Zeichen pro Sekunde langsamer als die genannten Vergleichssysteme. Für harte Echtzeit ist deshalb die Flash-Stufe vorgesehen. Steuern lässt sich die Ausgabe per natürlicher Beschreibung und Tags wie [angry] oder [giggles].