O que é Qwen3-TTS?
O Qwen3-TTS é uma família de modelos abertos de texto para fala lançada pela equipe Qwen da Alibaba em 22 de janeiro de 2026, nos tamanhos de 0,6 bilhão e 1,7 bilhão de parâmetros, sob Apache 2.0. Ele cobre 10 idiomas: chinês, inglês, japonês, coreano, alemão, francês, russo, português, espanhol e italiano. Os pesos foram atualizados pela última vez em 29 de janeiro de 2026, e a linha hospedada da Alibaba passou desde então para os modelos TTS Qwen-Audio-3.x, separados.
Há três variantes. O VoiceDesign cria uma voz nova a partir de uma descrição escrita, o CustomVoice oferece 9 vozes predefinidas cujo tom pode ser direcionado com instruções, e o Base clona uma voz a partir de 3 segundos de áudio de referência. A Qwen diz que o design de streaming pode entregar o primeiro áudio após um único caractere de entrada, com latência de ponta a ponta de apenas 97 ms.
Quanto custa Qwen3-TTS?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | Apache 2.0 |
| qwen3-tts-flash | $0.10 per 10,000 input characters | Alibaba Model Studio (Singapura); cota gratuita de 90 dias |
| qwen3-tts-flash-realtime | $0.13 per 10,000 input characters |
Gratuito sob Apache 2.0. Alibaba Model Studio (Singapura): qwen3-tts-flash a US$ 0,10 e qwen3-tts-flash-realtime a US$ 0,13 por 10.000 caracteres de entrada, com cota gratuita de 90 dias.
Qwen3-TTS vale a pena?
O Qwen3-TTS oferece o conjunto mais amplo de controles entre os modelos de fala abertos, e as proteções mais fracas. A criação de voz a partir de um prompt escrito e o tom guiado por instruções são realmente úteis, e a Apache 2.0 elimina o atrito de licenciamento. Essa combinação explica o seu alcance: só o modelo de clonagem Base de 1.7B teve cerca de 2,9 milhões de downloads no Hugging Face no último mês, e o modelo CustomVoice, cerca de 2 milhões.
Os testes de audição independentes são menos generosos. Na arena de fala da Artificial Analysis, o Qwen3 TTS hospedado da Alibaba fica em octogésimo sétimo de 98, com 930 Elo, e o Qwen3 TTS Flash em octogésimo sexto, com 943. O Kokoro, um modelo de 82 milhões de parâmetros, marca 1065. Essas são as versões da API, que podem não corresponder exatamente aos pesos abertos, e as tabelas de taxa de erro de palavras da própria Qwen são autodeclaradas. O Qwen-Audio-3.1-TTS-Plus, mais novo, da Alibaba fica em terceiro com 1301, um modelo que a Alibaba vende pela sua API, e não como pesos do Qwen3-TTS.
Os modelos Base clonam uma voz a partir de 3 segundos de áudio mais a sua transcrição, mas nem o model card nem o README do GitHub mencionam consentimento, uso indevido ou marca d'água. O Chatterbox, por outro lado, coloca marca d'água em cada clipe. Quem expuser a clonagem do Qwen3-TTS ao público assume um risco de falsificação de identidade que o modelo não faz nada para reduzir.
Os modelos são pequenos o bastante para sair baratos de rodar: o checkpoint Base de 1.7B tem cerca de 1,9 bilhão de parâmetros, aproximadamente 4GB em BF16, ao alcance de uma única GPU de consumo. O porém é o serving. O vLLM-Omni só o suporta para inferência offline por enquanto, então um endpoint de produção com streaming significa escrever o seu próprio servidor em torno do pacote qwen-tts.
Onde ele se destaca
Um engenheiro de backend em um app europeu de aprendizado de idiomas
Gerar frases de exemplo em 10 idiomas com vozes consistentes e descritíveis
Use o VoiceDesign para definir uma voz por curso ('professor caloroso, pausado, de uns 35 anos') e renderize em lote offline em uma GPU. A Apache 2.0 significa nenhuma tarifa por caractere; os rankings de ouvintes sugerem um teto de qualidade abaixo dos rivais hospedados.
Um gerente de produto em uma startup de audiolivros com 20 pessoas
Prototipar narração de forma barata antes de pagar por uma API de voz premium
Renderize rascunhos no qwen3-tts-flash do Model Studio a US$ 0,10 por 10.000 caracteres, de modo que um romance de 500.000 caracteres custa cerca de US$ 5, e depois compare com os líderes hospedados, que custam várias vezes mais por caractere.
Um líder de trust and safety em uma empresa de agentes de voz
Decidir se oferece clonagem de voz em autoatendimento
O Qwen3-TTS Base clona a partir de 3 segundos de áudio e vem sem fluxo de consentimento nem marca d'água, então a empresa precisaria de verificação de locutor, divulgação e registro próprios antes do lançamento. A marca d'água embutida do Chatterbox é o ponto de referência.
Antes de decidir
- Configuração
- pip install o pacote qwen-tts; os pesos são baixados pelo nome do modelo. A Qwen recomenda FlashAttention, e a sua demo Gradio precisa de HTTPS para entrada de microfone ao clonar.
- Integrações
- Pacote Python qwen-tts, Transformers, vLLM-Omni (apenas offline), API do Alibaba Model Studio nas regiões de Singapura e Pequim.
- Dados e privacidade
- Auto-hospedado sob Apache 2.0, sem restrições de uso além da licença e sem nada saindo dos seus servidores. No Model Studio, os resultados sem streaming são devolvidos como URLs de áudio válidas por 24 horas.
- Custo em escala
- Auto-hospedado, o modelo de 1.7B tem cerca de 4GB em BF16 e cabe em uma única GPU de consumo. Hospedado, 100 milhões de caracteres por mês no qwen3-tts-flash custam cerca de US$ 1.000, ou US$ 1.300 na variante realtime.
- Limites
- 10 idiomas; 9 vozes predefinidas no CustomVoice; nenhuma marca d'água ou controle contra uso indevido publicado; serving online no vLLM ainda não suportado; os modelos hospedados ficam entre os 15 últimos da arena da Artificial Analysis.
O que é bom
- Apache 2.0 nos tamanhos 0.6B e 1.7B, cerca de 4GB em BF16 para o maior
- Criação de voz a partir de uma descrição em texto, mais 9 vozes predefinidas direcionáveis
- O Flash hospedado custa US$ 0,10 por 10.000 caracteres
- Streaming com o primeiro áudio após um caractere, segundo a Qwen
O que não é
- As versões hospedadas ficam em octogésimo sexto e octogésimo sétimo de 98 na Artificial Analysis
- Clonagem de 3 segundos sem verificação de consentimento nem marca d'água
- O vLLM-Omni suporta apenas inferência offline
- Pesos sem mudança desde janeiro de 2026
Ideal para
Desenvolvedores que criam recursos de voz multilíngues, querem controle fino sob uma licença permissiva e vão acrescentar as suas próprias proteções.
Alternativas ao Qwen3-TTS
Qwen3-TTS: perguntas frequentes
- Qwen3-TTS vale a pena?
- O Qwen3-TTS dá aos desenvolvedores controles de voz detalhados e uma ferramenta de clonagem de três segundos sem proteções, com uma qualidade que os ouvintes colocam perto do fim da lista. Damos nota 3.5 de 5.
- Quanto custa Qwen3-TTS?
- Gratuito sob Apache 2.0. Alibaba Model Studio (Singapura): qwen3-tts-flash a US$ 0,10 e qwen3-tts-flash-realtime a US$ 0,13 por 10.000 caracteres de entrada, com cota gratuita de 90 dias.
- Quais são as desvantagens de Qwen3-TTS?
- As versões hospedadas ficam em octogésimo sexto e octogésimo sétimo de 98 na Artificial Analysis; clonagem de 3 segundos sem verificação de consentimento nem marca d'água; o vLLM-Omni suporta apenas inferência offline; pesos sem mudança desde janeiro de 2026.
- Para quem Qwen3-TTS é indicado?
- Desenvolvedores que criam recursos de voz multilíngues, querem controle fino sob uma licença permissiva e vão acrescentar as suas próprias proteções.
- Quanto custa Qwen3-TTS para uma equipe ou em produção?
- Auto-hospedado, o modelo de 1.7B tem cerca de 4GB em BF16 e cabe em uma única GPU de consumo. Hospedado, 100 milhões de caracteres por mês no qwen3-tts-flash custam cerca de US$ 1.000, ou US$ 1.300 na variante realtime.
- Qwen3-TTS é seguro para dados da empresa?
- Auto-hospedado sob Apache 2.0, sem restrições de uso além da licença e sem nada saindo dos seus servidores. No Model Studio, os resultados sem streaming são devolvidos como URLs de áudio válidas por 24 horas.
- Quais são as melhores alternativas ao Qwen3-TTS?
- As alternativas mais próximas que analisamos são Chatterbox, Kokoro-82M, Gemini 3.8 Flash TTS e OmniVoice.
Respostas verificadas em 22 de out. de 2026.