大模型厂商在语音赛道的军备赛,又多了一名重量级选手。 7 月 20 日,千问正式发布语音合成大模型Qwen-Audio-3.0-TTS,把说话这件事的控制权,从繁琐的参数配置交还到了一句自然语言指令手里。
这款新模型最鲜明的标签是Free-style自然语言指令控制。过去要让AI念出某种语气、节奏或风格,往往得在后台调一堆工程参数;如今用户只需用日常语言描述想要的效果,模型就能照着指令把声音合成出来,门槛被大幅削平。
更关键的是,千问为不同场景准备了两副面孔。面向实时交互的Flash版本,把首包延迟压到了 300 毫秒级别,这个量级意味着对话里的语音响应几乎感觉不到停顿,足够撑起实时问答、语音助手这类对延迟极度敏感的现场;面向高质量生成的Plus版本,则把火力集中在音质与表现力上,主攻有声书、配音、内容创作等需要细腻声音质感的任务。一条产品线,同时覆盖了快和好两条原本相互拉扯的需求曲线。
当自然语言成了控制语音的遥控器,千问这一步,把语音合成从工程活儿又往普通人的工具箱里推进了一格。
这篇快讯反映的是语音合成从“工程调参”走向“自然语言控制”的趋势。相比传统 TTS 依赖固定参数,Qwen-Audio-3.0-TTS 让用户直接用描述式指令控制风格,更适合产品化落地。Flash 版强调低延迟,适配实时助手;Plus 版强调音质,适配内容生产。与同类方案相比,它的差异点在于同时覆盖“快”和“好”两类需求。
Qwen-Audio-3.0-TTS 主要解决什么问题?
它把语音合成的控制方式从复杂工程参数,改成自然语言指令。用户只需描述想要的语气、节奏或风格,模型即可按要求生成语音,降低了使用门槛。
Qwen-Audio-3.0-TTS 的 Flash 版适合哪些场景?
Flash 版主打实时交互,首包延迟压到 300 毫秒级,适合语音助手、实时问答、在线对话等对响应速度非常敏感的应用。
Qwen-Audio-3.0-TTS 的 Plus 版有什么特点?
Plus 版更强调音质和表现力,适合有声书、配音、内容创作等需要细腻声音质感的任务,属于偏高质量生成的版本。
300 毫秒首包延迟够做什么?
这个级别已经适合实时问答、陪伴式助手和边说边播的交互场景。若要更稳,前端要做流式播放、预热连接和短句切分;同时控制 TTS 输出长度,避免长文本拖慢首帧体验。
自然语言控语气怎么落到产品里?
把“语气、节奏、情绪、停顿”映射成可理解的指令模板,例如“更温柔、稍慢、句尾停顿更明显”。产品层最好提供少量预设档位,再允许用户用自然语言微调,兼顾易用性和可控性。
