Nari Qwen3-TTS 和 Qwen3-ASR 性能基准测试

Nari Labs 在截至 2026 年 9 月 14 日的 Coval 语音 AI 基准测试中取得了领先地位，其模型在文本转语音 (TTS) 和语音转文本 (STT) 的质量-延迟帕累托前沿 (Pareto frontier) 上均名列前茅。该公司报告称，在所有公开可用的基准测试模型中，其在延迟-成本和质量-成本的帕累托前沿上均处于领先地位。

语音转文本 (ASR) 性能

Nari Qwen3-ASR Fast 模型在最终分段时间 (TTFS) 方面排名第一，p50 为 44 ms，字错误率 (WER) 为 3.6%。在准确度方面，它排名第二，仅次于 AssemblyAI 的 Universal 3.5 Pro (3.5% WER)。

成本效率

Qwen3-ASR Fast 的价格为每小时 $0.12，在 Coval 定价目录中已知公开费率的模型中并列第二低价。与竞争对手相比，这代表了显著的成本降低：

• Universal 3.5 Pro: 贵了 3.75 倍
• Deepgram Nova 3: 贵了 2.4 倍
• Nari Standard endpoint: 每小时 $0.06

文本转语音 (TTS) 性能

Nari Qwen3-TTS Fast 模型在字错误率 (WER) 方面排名第一，为 3.8%，并在首次音频时间 (TTFA) 方面排名第二，p50 为 63 ms。唯一延迟更低的模型是 Fluxions 的 vui (49 ms)，但那是一个 300M 参数模型，而 Nari 提供服务的 Qwen3-TTS 模型拥有 1.7B 参数。

成本效率

Qwen3-TTS Fast 终端的定价为每 100 万字符 $10，在 Coval 定价目录中并列最便宜的模型。相比之下：

• ElevenLabs Eleven v3 Conversational: 贵了 5 倍
• Cartesia Sonic 3.6: 贵了 6.5 倍
• Nari Standard endpoint: 每 100 万字符 $5

基础设施比较

Nari Labs 报告称，使用与官方 Qwen3 TTS Flash Realtime endpoint 相同的模型，其性能表现显著更好，后者的中值 TTFA 为 692 ms，WER 为 8.8%。Nari 也优于 Baseten 的专用 Qwen3-TTS endpoint，其 TTFA 中值为 101 ms，WER 为 6.0%。

社区反馈与技术讨论

Hacker News 上的社区反应突出了高性能语音 AI 的技术潜力与实际挑战。

技术观察

用户注意到了语音一致性和播放速度的问题，一位用户表示：

所有 TTS 生成的速度都太快了。听起来就像是在以 1.25-1.5 倍速听播客一样。

另一位用户报告在一段 33 秒的剪辑中途发生了语音切换。

市场与评估视角

行业参与者强调了独立验证的必要性以及多样化模型选项的重要性：

• 独立评估: 用户建议，需要 Datapoint AI 等实体的第三方验证来证实质量声明。
• 市场动态: AssemblyAI 的一名开发者关系代表指出，语音模型并非像 LLM API 那样是“赢家通吃”的市场。
• 未来方向: 一些用户建议，下一次重大演进将是创建更便宜、开源的替代方案，以实现像 GPT-Live-1 这样的集成实时语音体验。