Show HN：Nari Qwen3-TTS 和 Qwen3-ASR——高准确率、低延迟和低成本

嗨，HN，我是 Nari Labs 的 Toby。 我们一直在努力让 OSS 语音模型实现超高速运行。去年，我们构建了 Dia，这是首个能够进行自然对话的 OSS 文本转语音模型。从那以后，又有许多优秀的语音模型向公众发布。 但市场仍由闭源模型主导。我们认为，问题出在推理上。现有的 vLLM / SGLang 等系统并不适合多模态推理。为了证明这一点，我们构建了一个专门针对 Qwen3-TTS 的推理引擎，并将其开源了（ https://github.com/nari-labs/nari-qwen3-tts ）。在 10 RPS 下实现低于 50 ms 的延迟，这表明开源模型可以运行得更快、成本也更低。 从那以后，我们一直在努力为所有人提供廉价、快速且高质量的服务。我们甚至在闭源模型擅长的领域击败了它们！ 在广受引用的 Coval（YC S24）语音 AI 基准测试中，与 11Labs、Cartesia 等相比，我们的 Qwen3-TTS 端点不仅延迟排名第 2，准确率（WER）更排名第 1，同时还是成本最低的端点。我们的 Qwen3-ASR 端点延迟最低，准确率排名第 2，仅比第 1 名低 0.1%。它是榜单上成本第二低的模型。 为了让这些模型运行迅速、表现出色，同时保持较低成本，我们在推理工程方面投入了大量巧思。有趣的是，与我们的端点相比，Alibaba 的官方端点在准确率和延迟方面似乎表现更差。不过，我们仍然非常感谢 Qwen 团队将这些出色的语音模型 OSS 化。 我们希望继续降低价格，让语音技术成为一种大众化商品——这样每个应用都能拥有出色的 TTS 和 STT，而不必担心单位成本。我们也在研究音频领域的其他部分，例如说话人分离，以及视频和世界模型推理。敬请期待更多内容！ 评论 URL： https://news.ycombinator.com/item?id=49699267 积分：7 评论数：1