IT之家 7 月 20 日消息，阿里千问今日发布语音合成大模型 Qwen-Audio-3.0-TTS，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。
官方表示，新模型在细粒度标签控制、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实现系统性提升，让合成语音从“能说话”走向“会表达”。在全球第三方权威榜单 Artificial Analysis，Qwen-Audio-3.0-TTS-Plus 斩获冠军。
据介绍，Qwen-Audio-3.0-TTS 支持在文本中嵌入结构化标签，用户可直接在文本里嵌入 [gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）这类标记，直接对语气、情绪和 breath 类细节进行精准调控。
此外，该模型配套开箱即用的精品音色库，将模型在多语种、多方言、指令控制和细粒度表达上的能力沉淀为可直接调用的音色资源，将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+ 小语种音色。并将音频输出从提升 24KHz 到 48KHz，相当于从电话和普通语音助手的品质提升到录音棚、影视配音的规格，单次语音合成可达 3 分钟。
面向全球多语种场景，Qwen-Audio-3.0-TTS-Plus 进行了专项优化，覆盖中、英、日、韩、德等 16 种语言，新增阿拉伯、越南、马来、菲律宾语；并支持广东、重庆、东北、陕西、上海、四川、云南等 20 种方言。
