HN上展示:Nari Qwen3-TTS 和 Qwen3-ASR – 高准确率、低延迟和低成本
摘要
Nari Labs 推出 Qwen3-TTS 和 Qwen3-ASR 模型,在免费公开测试中提供高准确率、低延迟和成本效益,同时提供优化的 API 和服务用于生产部署。
嗨 HN,我是来自 Nari Labs 的 Toby。<p>我们一直在致力于让开源语音模型变得超快。去年,我们构建了 Dia,第一个能够进行自然对话的开源文本转语音模型。自那以来,已经有更多优秀的语音模型向公众发布。<p>但市场仍然被闭源模型主导。我们认为这是一个推理问题。现有的系统如 vLLM / SGLang 并不擅长多模态推理。为了证明这一点,我们构建了一个专门用于 Qwen3-TTS 的推理引擎,并将其开源(<a href="https://github.com/nari-labs/nari-qwen3-tts" rel="nofollow">https://github.com/nari-labs/nari-qwen3-tts</a>)。在 10 RPS 下运行,延迟低于 50 毫秒,这表明开源模型可以运行得更快、更便宜。<p>自那以来,我们一直努力为所有人提供廉价、快速和高质量的服务。而且我们甚至在闭源模型的游戏上击败了它们!在高度引用的 Coval (YC S24) 语音 AI 基准测试中,我们的 Qwen3-TTS 端点不仅在延迟上排名第二,而且在准确率(WER)上排名第一,优于 11Labs、Cartesia 等,同时是最便宜的端点。我们的 Qwen3-ASR 端点具有最低的延迟和第二高的准确率,仅比第一名低 0.1%。它是列表中第二便宜的模型。<p>要让这些模型快速、表现良好并保持低成本,需要大量的巧妙推理工程。有趣的是,阿里巴巴的官方端点在准确率和延迟方面似乎比我们的表现更差。但无论如何,非常感谢 Qwen 团队开源了这些令人惊叹的语音模型。<p>我们希望继续压低价格,使语音技术成为商品——这样每个应用都可以拥有优秀的 TTS 和 STT,而不用担心单位成本。我们还在研究音频的其他部分,如说话人分离——以及视频和世界模型推理。更多精彩即将呈现!
查看缓存全文
缓存时间: 2026/09/14 20:48
# Nari Labs — 以光速实现多模态推理
来源:https://narilabs.com/blog/nari-labs-leads-coval-voice-ai-benchmarks
Qwen3-TTS与Qwen3-ASR公开免费测试版 (https://narilabs.com/blog/introducing-nari-qwen3-tts/)## 以光速实现多模态推理
部署具有更低延迟、更高效率且更少基础设施工作的多模态模型。
## 更快、更经济 — 由前沿研究驱动
模型API
## 优化的模型API
专为生产环境极速性能优化的多模态模型端点:从语音开始。
了解更多 (https://narilabs.com/product/model-apis/)
#### 实时文本转语音
公开免费测试版
**延迟**ElevenLabs对比Nari FastTTFA
**成本**ElevenLabs对比Nari Standard美元/百万字符
#### 流式语音转文本
公开免费测试版
**延迟**Deepgram对比Nari FastTTFS
**成本**Deepgram对比Nari Standard美元/小时音频
基于对美国东部地区公开可用的TTS与STT端点进行的初步独立测量。结果可能因地区、连接方式和工作负载而异。免费端点为尽力服务,不包含延迟或正常运行时间SLA。公开免费测试版限时提供;显示价格为早期访问价格。价格于2026年9月8日查自Artificial Analysis (https://artificialanalysis.ai/)。
推理
## 面向企业的专属多模态推理
针对模型和工作负载特定的运行时,可在托管、专属和私有基础设施中提供可预测的延迟和生产级规模服务。
了解更多 (https://narilabs.com/product/dedicated-inference/)
训练
## 为您的用例微调模型
使用与您用例匹配的数据微调多模态模型,并使用我们优化的技术栈进行部署。与Dia和Narvatar背后团队合作。
了解更多 (https://narilabs.com/product/training/)
开源对话式文本转语音
Dia
我们的对话式TTS模型系列,拥有超过200万下载量和超过2万GitHub星标。
内部头像系统
Narvatar
我们同级别最佳、参数低于50亿的以人为中心的头像模型,提供流式和非流式两种变体。为实时性能和低成本而优化。
即将推出 您的模型 与我们合作扩展前沿领域 (https://cal.com/toby-kim/30min)
最新动态
## 来自Nari Labs的最新消息
## 将多模态模型投入生产
使用我们预构建的端点,提供您的工作负载,或与我们一起微调模型。所有服务均基于我们专业的推理技术栈。
相似文章
超快速 Qwen3-TTS:34毫秒首音频时间,每秒处理10个请求 [OSS]
Nari Qwen3-TTS 是针对 Qwen3-TTS 模型的高性能服务实现,在单块 H100 GPU 上实现低于 50 毫秒的首音频时间,并每秒处理 10 个请求。
Qwen3-TTS 技术报告
Qwen3-TTS 技术报告介绍了一系列先进的多语言文本转语音模型,具备语音克隆和可控生成能力,采用双轨 LM 架构和专用分词器以实现低延迟流式处理。
Qwen3 TTS 被严重低估了——我本地实时跑通后,发现它是目前最有表现力的开源 TTS 之一
开发者演示如何本地实时运行 Qwen3 TTS,支持流式输出、量化、词级对齐与自定义音色微调,打造高表现力的开源 TTS 流水线。
Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
阿里巴巴的Qwen团队发布了Qwen3-TTS-12Hz-1.7B-CustomVoice,这是一个强大的文本转语音模型,支持10种语言,具有低延迟流式传输、基于指令的语音控制和强大的上下文理解能力。
@阿里的通义实验室:Qwen-Audio-3.0-TTS来了。我们最新的文本转语音模型,提供两个版本:• Flash:实时交互 • Plus:高…
阿里巴巴通义实验室发布了Qwen-Audio-3.0-TTS,一款新的文本转语音模型,提供Flash(实时)和Plus(高质量)两个版本,支持16种语言、自然语言风格控制以及更稳健的语音克隆。