AI 配音新标杆：用登顶 Coval 基准的 Qwen3-TTS 给短视频配旁白

视频做完之后配上旁白，是发布前的最后一公里——而从 2026 年 9 月 14 日起，这一公里变得异常便宜。Nari Labs 宣布其 Qwen3-TTS 与 Qwen3-ASR 端点登顶 Coval 语音 AI 基准：在公开可用模型中，文本转语音准确率第一、语音识别延迟第一，价格却只有 ElevenLabs 和 Cartesia 的五分之一到六分之一。如果你需要给短视频加 AI 配音——口播开场、产品演示、无人出镜短片——一个新的事实默认选项出现了。

本文先说清楚这次基准登顶对短视频创作者到底意味着什么，再给出一套基于官方文档的工作流：用 Nari Qwen3-TTS 生成旁白，放进剪辑时间线。丑话说在前面：Coval 榜单大约每 30 分钟刷新一次，下文所有数字都是带时间戳的快照，不是永久事实。

发生了什么

Coval 运营着持续更新的语音 AI 排行榜，衡量延迟（TTS 的首段音频时间 TTFA、STT 的末段文本时间 TTFS）和词错率（WER）。根据 Nari 的公告——基于 Coval 2026 年 9 月 14 日 15:00 UTC 的一天视图：

基准项	结果（9 月 14 日快照）
TTS 准确率	Qwen3-TTS Fast：词错率 3.8%，28 个模型中第一
TTS 延迟	Qwen3-TTS Fast：中位 TTFA 63 ms 排第二，仅次于 Fluxions 的 300M 参数 vui（49 ms）
STT 延迟	Qwen3-ASR Fast：中位 TTFS 44 ms 排第一
STT 准确率	Qwen3-ASR Fast：词错率 3.6% 排第二，落后于 AssemblyAI Universal 3.5 Pro（3.5%）

我们在 9 月 15 日 00:30 UTC 前后复查了 TTS 实时榜单：Nari 仍以 3.8% 的词错率保持第一，vui 的中位 TTFA 则显示为 51 ms。STT 榜面已有变化——Baseten 的 Qwen3-ASR 专用端点以 22 ms 领跑 TTFS，词错率第一是 AssemblyAI 的 3.4%。排名会浮动；真正稳定、值得记住的是它的价格性能位置，而不是某天某一行的具体名次。

价格才是创作者真正能感受到的部分。Nari TTS Fast 端点每百万字符 10 美元，在 Coval 价格目录中并列最便宜；Standard 端点 5 美元，是全场最低。Nari 的公告对比：ElevenLabs Eleven v3 Conversational 是它的 5 倍，Cartesia Sonic 3.6 是 6.5 倍。STT 方面，Fast 每小时音频 0.12 美元、Standard 0.06 美元，而 AssemblyAI Universal 3.5 Pro 是 0.45 美元，Deepgram Nova 3 约 0.29 美元。

Coval TTS 榜单，查于 2026 年 9 月 15 日 00:29 UTC 前后（一天视图）。来源：benchmarks.coval.ai——数值约每 30 分钟刷新。

数据里还藏着一个重要细节：同一个 Qwen3-TTS 模型，由不同厂商部署，成绩天差地别。阿里巴巴官方的 Qwen3 TTS Flash Realtime 端点词错率 8.8%、中位 TTFA 692 ms；Baseten 的专用部署是 6.0% 和 101 ms；Nari 优化后的端点是 3.8% 和 63 ms。对一个开放权重的模型来说——Qwen3-TTS 1.7B 系列已在 Hugging Face 公开发布——推理服务质量本身就是产品。这正是 Nari（Y Combinator 孵化）以"优化开源模型"定位切入的赌注。

为什么这件事关乎短视频的最后一公里

一条 30–60 秒的短视频，旁白通常在 100–160 词，约合 600 到 1,000 个字符。按 Nari Standard 每百万字符 5 美元计算，一条完整配音大约半美分；就算你每句台词都重新生成十遍，单条视频也花不到 5 美分。所以现在选 TTS 端点，早就不该只看价格——要看迭代速度，而这正是基准数字直接兑现的地方：首段音频时间越短，你第四遍改写某句台词时的反馈就越快。

延迟也是两个档位的分界线。Nari Fast 端点（标称 50 ms TTFA）是为需要与真人实时对话的语音 agent 准备的；Standard 端点（200 ms）面向批处理。渲染配音文件是批处理任务——但如果你的流程是边听边试、逐句调整，Fast 的低延迟能明显减少来回摩擦，代价是每字符价格翻倍。

怎么用 Qwen3-TTS 给视频加 AI 配音

下面是流程说明基于文档整理——来自 Nari 产品页和公告，不是我们自己的生产实测。Nari 目前处于免费公测，按公告将在 9 月 14 日那一周内转为付费 GA，切换前注册的账号会获赠 20 美元额度——动手前值得先确认当前状态。

第一步——按口语习惯写脚本，逐行拆分。 旁白脚本和画面文案不一样：短句、不玩括号插入语、数字按读法写。一行一个意思；逐行结构让后面的对时和重生成变得极其简单。

第二步——一个 HTTPS 请求生成音频。 Nari 的 TTS API 只需向 /v1/audio/speech 发一个 POST，返回 WAV 文件；在 Fast 和 Standard 之间切换只是换一个 model ID：

curl --fail --silent --show-error \
  https://api.narilabs.com/v1/audio/speech \
  -H "Authorization: Bearer $NARI_API_KEY" \
  -H "Content-Type: application/json" \
  --data '{
    "model": "qwen3-tts-fast:free",
    "input": "Your narration line here.",
    "voice": "diana",
    "response_format": "wav"
  }' \
  --output speech.wav

音色从八个预设里选（Professional、Conversational、Youthful、Mature、Narration、Energetic、Explanatory、Articulate）。注意：TTS 目前的语言支持只有英语和西班牙语——如果你的观众听别的语言，这个端点暂时帮不上那条音轨。

Nari Qwen3-TTS 的 Fast/Standard 两档与预设音色。来源：narilabs.com（查于 2026 年 9 月 15 日，当时为免费公测）。

第三步——把 WAV 拖进剪辑软件，对齐切点。 无论用剪映、Premiere 还是 Resolve，把每句旁白铺在独立音频片段上，贴着画面切点微调。生成式旁白的实操诀窍：重生成"句"，不是重录"段"。在这个价格下，修一句听起来平淡的台词就是一次 API 调用，而不是一次返工。

第四步——导出，然后配字幕。 字幕和转录这条线上基准故事同样成立：9 月 14 日快照中 Nari Qwen3-ASR Fast 的 STT 延迟排第一，通过 WebSocket API 支持 30 种语言的自动语种识别。给自己的旁白轨生成 SRT，就是同一套流程反着走一遍。

Fast 还是 Standard

	Fast	Standard
标称延迟	50 ms TTFA	200 ms TTFA
TTS 价格	10 美元 / 百万字符	5 美元 / 百万字符
适合	交互式试音、语音 agent	批量旁白渲染

对大多数发布流程，Standard 是合理默认——反正渲染可以等。当你的工作流变得交互式时再切 Fast：试音色、对着时间线逐句改，或者搭建一个实时说话的 agent。

几句实话

• 语言覆盖：TTS 目前只支持英语和西班牙语。ASR 侧覆盖 30 种语言，但生成旁白这个能力今天的适用面还窄。
• 公测转 GA：免费端点原计划在公告一周内转付费。价格和免费额度现在可能已经变了。
• 词错率不等于表现力：WER 衡量的是可懂度，不是声音能不能打动人。词错率第一不代表 Narration 音色在你的垂类比 ElevenLabs 更抓人——押注一个频道之前先试听。
• 我们没有实测：本文流程基于文档整理，我们没有自己跑过音质评测或生产渲染。
• 排名会浮动：Coval 榜单约 30 分钟刷新一次，且排名不含专用推理端点。任何要紧场合引用前先核对当时数字。

配音在 AI 视频流水线里的位置

对短视频创作者，流水线现在是这样：生成或拍摄画面，加旁白，发布。如果卡住你的是画面——比如给 TikTok 做水果风格的 AI 短片——那是一个视频生成问题，也是 AI Fruit 负责的那一步：从提示词到视频，花钱前就能看清模型选项和积分成本。旁白是隔壁那一步，也就是本文讲的：一段脚本、一次 TTS 请求、一遍时间线。

9 月 14 日这条基准新闻的真正启示，不是某一行排名变了，而是旁白这一步——过去要么自己录、要么付订阅费——现在只要几美分、毫秒级返回，而且背后是开放权重的模型家族。最后一公里变短了，走过去就是了。

还差第一步？ 用 AI Fruit 生成你的视频，配音交给当天榜首的端点。