¿Qué es Qwen3-TTS?
Qwen3-TTS es una familia de modelos abiertos de texto a voz que el equipo Qwen de Alibaba lanzó el 22 de enero de 2026, en tamaños de 600 millones y 1.700 millones de parámetros, bajo Apache 2.0. Cubre 10 idiomas: chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español e italiano. Los pesos se actualizaron por última vez el 29 de enero de 2026, y la línea alojada de Alibaba ha pasado desde entonces a los modelos TTS Qwen-Audio-3.x, que son independientes.
Hay tres variantes. VoiceDesign crea una voz nueva a partir de una descripción escrita, CustomVoice ofrece 9 voces predefinidas cuyo tono se puede orientar con instrucciones, y Base clona una voz a partir de 3 segundos de audio de referencia. Qwen dice que el diseño en streaming puede entregar el primer audio tras un solo carácter de entrada, con una latencia de extremo a extremo de tan solo 97 ms.
¿Cuánto cuesta Qwen3-TTS?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | Apache 2.0 |
| qwen3-tts-flash | $0.10 per 10,000 input characters | Alibaba Model Studio (Singapur); cuota gratuita de 90 días |
| qwen3-tts-flash-realtime | $0.13 per 10,000 input characters |
Gratis bajo Apache 2.0. Alibaba Model Studio (Singapur): qwen3-tts-flash a 0,10 $ y qwen3-tts-flash-realtime a 0,13 $ cada 10.000 caracteres de entrada, con una cuota gratuita de 90 días.
¿Merece la pena Qwen3-TTS?
Qwen3-TTS ofrece el conjunto de controles más amplio entre los modelos de voz abiertos, y las protecciones más débiles. El diseño de voz a partir de una instrucción escrita y el tono guiado por instrucciones son útiles de verdad, y Apache 2.0 elimina las fricciones de licencia. Esa combinación explica su alcance: solo el modelo de clonación Base de 1.7B sumó unos 2,9 millones de descargas en Hugging Face el último mes, y el modelo CustomVoice unos 2 millones.
Las pruebas de escucha independientes son menos amables. En la arena de voz de Artificial Analysis, el Qwen3 TTS alojado de Alibaba ocupa el puesto ochenta y siete de 98 con 930 de Elo, y Qwen3 TTS Flash el ochenta y seis con 943. Kokoro, un modelo de 82 millones de parámetros, saca 1065. Son las versiones de API, que pueden no coincidir exactamente con los pesos abiertos, y las tablas de tasa de error por palabra de Qwen son autodeclaradas. El más reciente Qwen-Audio-3.1-TTS-Plus de Alibaba está tercero con 1301, un modelo que Alibaba vende a través de su API y no como pesos de Qwen3-TTS.
Los modelos Base clonan una voz a partir de 3 segundos de audio más su transcripción, y sin embargo ni la ficha del modelo ni el README de GitHub mencionan el consentimiento, el mal uso ni las marcas de agua. Chatterbox, en cambio, pone marca de agua a cada clip. Quien abra al público la clonación de Qwen3-TTS asume un riesgo de suplantación que el modelo no hace nada por reducir.
Los modelos son lo bastante pequeños para que ejecutarlos salga barato: el checkpoint Base de 1.7B tiene unos 1.900 millones de parámetros, unos 4GB en BF16, al alcance de una sola GPU de consumo. La pega es servirlo. vLLM-Omni de momento solo lo admite para inferencia sin conexión, así que un endpoint de producción en streaming supone escribir tu propio servidor en torno al paquete qwen-tts.
Dónde se gana su sitio
Un ingeniero de backend en una app europea de aprendizaje de idiomas
Generar frases de ejemplo en 10 idiomas con voces coherentes y describibles
Usa VoiceDesign para definir una voz por curso ('profesor cálido, pausado, de unos 35 años') y genera por lotes sin conexión en una GPU. Apache 2.0 significa que no hay tarifas por carácter; las clasificaciones de oyentes apuntan a un techo de calidad por debajo de los rivales alojados.
Una responsable de producto en una startup de audiolibros de 20 personas
Prototipar narraciones a bajo coste antes de pagar una API de voz prémium
Genera borradores con qwen3-tts-flash de Model Studio a 0,10 $ cada 10.000 caracteres, de modo que una novela de 500.000 caracteres cuesta unos 5 $, y compáralos con los líderes alojados, que cuestan varias veces más por carácter.
Un responsable de confianza y seguridad en una empresa de agentes de voz
Decidir si ofrecer clonación de voz en autoservicio
Qwen3-TTS Base clona a partir de 3 segundos de audio y no incluye flujo de consentimiento ni marca de agua, así que la empresa necesitaría su propia verificación de hablante, avisos y registros antes del lanzamiento. La marca de agua integrada de Chatterbox es la referencia.
Antes de decidirte
- Puesta en marcha
- Instala con pip el paquete qwen-tts; los pesos se descargan por nombre de modelo. Qwen recomienda FlashAttention, y su demo de Gradio necesita HTTPS para la entrada de micrófono al clonar.
- Integraciones
- Paquete de Python qwen-tts, Transformers, vLLM-Omni (solo sin conexión) y la API de Alibaba Model Studio en las regiones de Singapur y Pekín.
- Datos y privacidad
- Autoalojado bajo Apache 2.0, sin restricciones de uso más allá de la licencia y sin que nada salga de tus servidores. En Model Studio, los resultados sin streaming se devuelven como URL de audio válidas durante 24 horas.
- Coste a escala
- Autoalojado, el modelo de 1.7B ocupa unos 4GB en BF16 y cabe en una sola GPU de consumo. Alojado, 100 millones de caracteres al mes con qwen3-tts-flash cuestan unos 1.000 $, o 1.300 $ con la variante realtime.
- Límites
- 10 idiomas; 9 voces predefinidas en CustomVoice; sin marca de agua ni controles contra el mal uso publicados; todavía no se admite el servicio en línea con vLLM; los modelos alojados están entre los 15 últimos de la arena de Artificial Analysis.
Lo bueno
- Apache 2.0 en tamaños de 0.6B y 1.7B, unos 4GB en BF16 el mayor
- Diseño de voz a partir de una descripción de texto, más 9 voces predefinidas orientables
- Flash alojado cuesta 0,10 $ cada 10.000 caracteres
- Streaming con el primer audio tras un carácter, según Qwen
Lo malo
- Las versiones alojadas ocupan los puestos ochenta y seis y ochenta y siete de 98 en Artificial Analysis
- Clonación de 3 segundos sin comprobación de consentimiento ni marca de agua
- vLLM-Omni solo admite inferencia sin conexión
- Pesos sin cambios desde enero de 2026
Ideal para
Desarrolladores que crean funciones de voz multilingües, quieren un control fino con una licencia permisiva y añadirán sus propias salvaguardas.
Alternativas a Qwen3-TTS
Qwen3-TTS: preguntas frecuentes
- ¿Merece la pena Qwen3-TTS?
- Qwen3-TTS pone en manos de los desarrolladores controles de voz finos y una herramienta de clonación de tres segundos sin barreras, con una calidad que los oyentes sitúan cerca del final de la tabla. Le damos un 3.5 sobre 5.
- ¿Cuánto cuesta Qwen3-TTS?
- Gratis bajo Apache 2.0. Alibaba Model Studio (Singapur): qwen3-tts-flash a 0,10 $ y qwen3-tts-flash-realtime a 0,13 $ cada 10.000 caracteres de entrada, con una cuota gratuita de 90 días.
- ¿Qué inconvenientes tiene Qwen3-TTS?
- Las versiones alojadas ocupan los puestos ochenta y seis y ochenta y siete de 98 en Artificial Analysis; clonación de 3 segundos sin comprobación de consentimiento ni marca de agua; vLLM-Omni solo admite inferencia sin conexión; pesos sin cambios desde enero de 2026.
- ¿Para quién es Qwen3-TTS?
- Desarrolladores que crean funciones de voz multilingües, quieren un control fino con una licencia permisiva y añadirán sus propias salvaguardas.
- ¿Cuánto cuesta Qwen3-TTS para un equipo o en producción?
- Autoalojado, el modelo de 1.7B ocupa unos 4GB en BF16 y cabe en una sola GPU de consumo. Alojado, 100 millones de caracteres al mes con qwen3-tts-flash cuestan unos 1.000 $, o 1.300 $ con la variante realtime.
- ¿Es Qwen3-TTS seguro para los datos de la empresa?
- Autoalojado bajo Apache 2.0, sin restricciones de uso más allá de la licencia y sin que nada salga de tus servidores. En Model Studio, los resultados sin streaming se devuelven como URL de audio válidas durante 24 horas.
- ¿Cuáles son las mejores alternativas a Qwen3-TTS?
- Las alternativas más cercanas que hemos analizado son Chatterbox, Kokoro-82M, Gemini 3.8 Flash TTS y OmniVoice.
Respuestas comprobadas el 22 oct 2026.