语音模型在同一天打了个照面。字节强调场景里能不能用，阿里强调听起来像不像人、开口快不快。
7月25日，字节跳动Seed团队发布Seed Audio 1.0，阿里通义千问团队发布Qwen-Audio-3.0-TTS。TTS是把文字转成语音。两家都不是第一次做声音，但同一天发布，把中国厂商在音频模态上的节奏摊开了。
Seed Audio 1.0主打多场景可用率超过90%，覆盖客服、播客、有声书、智能助手和视频配音。这个水平和行业平均约65%被放在一起对比。它支持40种语言、20种情感风格、5种方言，单次合成最长60分钟。可用率超过90%，指的是这些场景里达到可用标准的比例，不是实验室里的单一听感分数。
Qwen-Audio-3.0-TTS基于Qwen3.7基座。首包响应时间约300毫秒，也就是用户发出请求后，大约三分之一秒开始听到声音。国际榜单上的自然度MOS达到4.72分，被写成刷新纪录，并在情感表现力和多语种上取得领先。MOS是平均意见分，由人给声音的自然程度打分，满分通常是5分。4.72已经很靠近满分，仍是听感评分，不是业务转化率。
同日发布，折射的是文本、图像、视频、音频、三维一起铺的做法。和海外部分头部公司更偏单点突破相比，中国厂商在多模态上的发布更密。语音模型一旦在客服和有声内容里可用，直接碰到的是人工客服和内容生产的成本。可用率超过90%，被用来说明部分人工环节已经具备被规模替代的条件，是否替代仍取决于出错时谁负责。
下一观察点是两套指标会不会被客户放在同一张采购表上：一边是五大场景的可用率，一边是300毫秒和4.72分。只赢其中一张表，不一定赢合同。
Seed Audio的覆盖面是40种语言、20种情感风格、5种方言，单次最长60分钟。可用率超过90%，对照的是行业平均约65%，比的是客服、播客、有声书、助手和视频配音能不能交付。阿里这边的300毫秒和MOS 4.72分，比的是开口速度和听感。4.72分靠近满分5分，仍是人的主观评分，不是业务转化率。
两套指标会进同一张采购表，但权重不同。车载和智能家居更在意首包延迟，内容生产更在意能不能一次合成很长。同日发布把选择压进同一周。谁先被写成默认语音，谁就更可能把「部分人工可被替代」从判断变成合同条款。