Nari Labs Qwen3-ASR Fast 和 Qwen3-TTS Fast 领跑 Coval 语音 AI 基准测试（2026年9月）

TL;DR – Nari Labs 在 Coval 语音 AI 基准测试中占据主导地位

Nari Labs 的 Qwen3‑ASR Fast 和 Qwen3‑TTS Fast 模型分别处于语音转文本（STT）和文本转语音（TTS）的质量-延迟帕累托前沿，并且在所有公开列出的模型中，也处于延迟-成本和质量-成本的前沿。

语音转文本性能

结论： Qwen3‑ASR Fast 在 Coval 基准测试中实现了 44 ms 的最低中位时间到最终分段（TTFS），同时保持词错误率（WER）为 3.6%，在延迟方面排名第一，在准确率方面排名第二。

  • 延迟： p50 TTFS = 44 ms，是 Coval STT 排行榜中报告的最低值。
  • 准确率： WER = 3.6%，仅比 AssemblyAI 的 Universal 3.5 Pro（WER = 3.5 %）高出 0.1 %。
  • 成本： Fast 端点为 $0.12 / 小时，与所有公布费率的模型中并列第二低。Standard 端点更便宜，为 $0.06 / 小时。
  • 竞争性定价： AssemblyAI 的 Universal 3.5 Pro 成本高 3.75 倍；Deepgram Nova 3 成本高 2.4 倍。

“我们的 Qwen3‑ASR Fast 模型在时间到最终分段（TTFS）方面排名第一，p50 为 44 ms，WER 为 3.6%，在准确率上仅次于 AssemblyAI 的 Universal 3.5 Pro（3.5%）。” – Nari Labs 博客

文本转语音性能

结论： Qwen3‑TTS Fast 实现了第二快的中位时间到首个音频（TTFA）为 63 ms，同时在 WER 上达到最佳的 3.8%，在成本更低的情况下超越了更大的商业服务。

  • 延迟： p50 TTFA = 63 ms，仅次于 Fluxions 的 vui（49 ms），后者使用的是 300 M 参数模型。
  • 准确率： WER = 3.8%，是所有评估模型中最低的。
  • 成本： $10 / 100 万字符，与 Coval 定价目录中并列最便宜。Standard 端点为 $5 / 100 万字符。
  • 竞争性定价： ElevenLabs Eleven v3 Conversational 成本约为其 5 倍；Cartesia Sonic 3.6 成本约为其 6.5 倍。
  • 模型规模： Qwen3‑TTS Fast 运行的是 1.7 B 参数模型，在质量-延迟方面优于 300 M 参数的 vui。

“我们的 Qwen3‑TTS Fast 模型在时间到首个音频（TTFA）方面排名第二，p50 为 63 ms，WER 为 3.8%，位居第一。” – Nari Labs 博客

全面的成本效益

结论： Nari Labs 在延迟-成本和质量-成本帕累托前沿上领先，意味着在所有公开记录的服务中，您能以最低价格获得最快、最准确的 STT/TTS。

  • STT： $0.12 / 小时（Fast）对比 AssemblyAI 类似产品 $0.45 / 小时。
  • TTS： $10 / 100 万字符（Fast）对比 ElevenLabs 和 Cartesia 的 $50‑$65 / 100 万字符。
  • 定价方法： 比较基于 Coval 的定价目录，该目录汇总了每个端点的已知公开费率。

Hacker News 社区反应

结论： 讨论凸显了对实时 TTS 的热情，呼吁独立验证，并对技术捷径充满好奇。

  • 实时可行性： 一位用户（mowmiatlas）分享了一个 GitHub 项目，用于实时 TTS，指出低延迟合成正成为普遍趋势。
  • 竞争格局： iharnoor 警告 TTS 市场将更加拥挤，强调语音模型与 LLM API 在市场动态上的差异。
  • 质量担忧： 一位评论者（rahimnathwani）报告在一段 33 秒的音频中出现语音切换故障，暗示需要进行鲁棒性测试。
  • 验证需求： yoloakki 呼吁独立评估（例如 Datapoint AI）以确认 Nari 的声明。
  • 技术好奇： asaiacai 询问加速 TTS 的主要手段，推测可能是模型蒸馏和架构感知优化。
  • 演示期待： ipsum2 提醒公开声明应包含交互式演示；目前 Nari Labs 提供免费试用期。
  • 开源好奇： meatmanek 询问 ASR 推理引擎是否开源；Nari Labs 尚未公开披露此信息。

基准测试数据对开发者的意义

结论： 对于生产级语音代理，选择 Nari Labs 的 Fast 端点可将感知延迟降低数十毫秒，同时相比主流商业替代方案，运营成本最多降低 75 %。

  • 用户体验： 更低的 TTFA/TTFS 直接转化为对话界面中更快的响应速度，减少终端用户的“思考”间隔。
  • 可扩展性： 低廉的每小时（STT）和每字符（TTS）费率支持大规模部署，而不会产生高昂的云支出。
  • 集成： Nari Labs 提供 RESTful API 并支持免费试用；在服务从测试版转向正式版时，早期采用者可获得 $20 信用额度。

核心要点： Nari Labs 的 Qwen3‑ASR Fast 和 Qwen3‑TTS Fast 设立了语音 AI 延迟、准确率和成本的新行业标准，使其成为开发实时语音应用的极具吸引力的选择。

Sources

相关