位列 Artificial Analysis 榜首 阿里千问发布语音合成大模型 Qwen-Audio-3.0-TTS

语音合成领域又迎来一位重量级选手。阿里千问正式发布了全新的大模型——Qwen-Audio-3.0-TTS，一口气推出了两个版本：一个是面向实时交互场景的Flash版本，首包延时控制在300ms级别；另一个则是追求高质量生成的Plus版本。

官方透露，这次的新模型在几个关键维度上实现了系统性突破：细粒度标签控制、自由风格指令遵循、多语种与方言覆盖，以及复杂声学环境下的鲁棒性。用一句话总结，就是让AI说话从“能发声”真正进化到了“会表达”。在全球第三方权威榜单Artificial Analysis上，Qwen-Audio-3.0-TTS-Plus直接拿下了冠军。

具体到功能层面，Qwen-Audio-3.0-TTS支持在文本中嵌入结构化标签。用户可以在文本里直接写[gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）这样的标记，从而对语气、情绪甚至呼吸细节进行精准调控。

除此之外，Qwen-Audio-3.0-TTS还配套了一个开箱即用的精品音色库。这个音色库把模型在多语种、多方言、指令控制和细粒度表达上的能力，沉淀成了可直接调用的音色资源。后续会陆续上架指令风格音色、20种方言音色、细粒度控制音色，以及14种以上的小语种音色。音频输出方面，也从24KHz直接提升到了48KHz——这相当于从电话和普通语音助手的音质，跃升到了录音棚、影视配音的规格。单次语音合成时长可达3分钟。

针对全球多语种场景，Plus版本做了专项优化，覆盖了中、英、日、韩、德等16种语言，并且新增了阿拉伯语、越南语、马来语、菲律宾语。方言方面，支持广东、重庆、东北、陕西、上海、四川、云南等20种方言。