近日,阿里通义千问团队正式发布新一代实时语音合成模型Qwen-Audio-3.0-TTS,推动语音合成从“能说话”迈向“会表达”。其Plus版本已在全球权威榜单Artificial Analysis的Speech Arena中斩获全球第一,综合表现超越Gemini3.1TTS、ElevenLabs v3等主流模型。

本次发布包含双版本:Flash版主打实时交互,首包延迟约300ms,适配智能助手等低延时场景;Plus版聚焦高质量生成,自然度与音色还原度更优。
核心能力实现四大突破:
一是多语种与方言覆盖升级,支持16种语言,Plus版在全部16种语言上的平均说话人相似度达82.75,位列行业第一;同时支持20种中文方言,避免“方言特色弱化”问题,更贴近母语者表达。
二是支持Free-style自然语言指令,无需专业标注,用“温柔客服语气”“带货主播风格”等自然语言即可精准生成对应语音。
三是细粒度标签控制,支持[gasp]、[angry]等结构化标签,可精确调控呼吸、笑声等非语言细节,适配游戏、有声书等场景。
四是复杂声学鲁棒性强,即便参考音频存在高噪声、高混响,也能自动过滤杂音、保留音色,合成质量稳定。
配套精品音色库覆盖指令、方言、小语种等多类音色,支持48K高清音频输出(预计7月24日开放),单次合成最长支持3分钟长文本。目前模型已在阿里云百炼平台全面开放,开发者可接入体验,共同探索语音交互新可能。

Qwen-Audio-3.0-TTS支持哪些语言和方言?
该模型支持16种语言,Plus版在全部16种语言上的平均说话人相似度达82.75;同时支持20种中文方言,能更好保留方言特色,减少“方言味”被弱化的问题。
Qwen-Audio-3.0-TTS适合哪些应用场景?
Flash版主打低延时实时交互,适合智能助手等场景;Plus版更适合对自然度、音色还原度要求更高的生成任务,如游戏配音、有声书、客服播报和内容创作。
Qwen-Audio-3.0-TTS怎么控制语音风格?
它支持Free-style自然语言指令,可直接输入“温柔客服语气”“带货主播风格”等描述生成对应语音;也支持[gasp]、[angry]等结构化标签,精细控制呼吸、笑声等细节。
方言TTS上线前要做哪些校准?
先做发音词表、地名人名和行业术语校准,再用目标方言母语者做主观评测。还要检查语速、停连和情绪强度,避免“像方言但不地道”的问题。
Free-style指令控制怎么用才稳?
把风格、情绪、语速、停顿和重音拆成明确标签,别把所有要求写成一长句。生产环境建议建立模板库和默认参数,减少自由输入带来的波动。
