阿里发布语音合成大模型Qwen-Audio-3.0-TTS：Flash首包300ms级别，Plus登顶全球榜单

7月20日晚间消息，阿里巴巴发布语音合成大模型Qwen-Audio-3.0-TTS，在细粒度标签控制、freestyle指令遵循、多语种与方言覆盖以及复杂声学鲁棒性等方面系统性提升，包含面向实时交互的Flash版本（首包延时300ms级别）和面向高质量生成的Plus版本，让合成语音从“能说话”走向“会表达”。目前，在全球第三方权威榜单Artificial Analysis，Qwen-Audio-3.0-TTS-Plus斩获冠军。

Qwen-Audio-3.0-TTS的上一代版本已支持freestyle（自由风格模式），可在提示词中加入“资深客服”、“足球解说员”等角色设定，以控制情绪、场景和语速等。新模型则在细粒度上进一步跃迁，通过结构化标签，用户可直接在文本里嵌入 [gasp]（抽一口气）、[giggles]（轻笑）、[angry]（愤怒）这类标记，把控制精度从整段情绪细化到“哪个字后面该倒吸一口气”，适用于需要精确控制细节的叙事、游戏、配音等场景。

面向全球多语种场景，Qwen-Audio-3.0-TTS 进行了专项优化，覆盖中、英、日、韩、德等16 种语言，新增阿拉伯语、越南语、马来语以及菲律宾语。

模型规模越大、训练数据越杂，方言的发音会不自觉地滑向普通话腔。针对这个痛点，研究团队专门设计了方言强化训练，让模型在韵律、声调与口语表达上接近母语者，覆盖广东、重庆、东北、陕西、上海、四川、云南等 20种方言。

语音克隆产品往往要求原始参考音频在安静环境下录制，Qwen-Audio-3.0-TTS通过真实声学仿真训练，在克隆流程中嵌入了语音增强能力，让模型在高噪声、高混响条件下也能过滤干扰、只留音色。面向严肃创作场景，模型拥有开箱即用的精品音色库，并将音频输出从提升24kHz 到 48kHz，相当于视频配音和有声书的品质提升到录音棚、影视配音的规格，单次语音合成可长达 3 分钟。

即日起，两款模型已在阿里云百炼开放调用。