7月20日消息，阿里通义千问推出全新语音合成大模型Qwen-Audio-3.0-TTS，模型分为两款版本：适配实时交互场景的Flash版，首包延迟低至300毫秒；主打高品质音频生成的Plus版。
官方介绍，该新版模型在精细化标签调控、自由风格指令执行、多语种及方言支持、复杂声学环境稳定性等多项能力上完成全面升级，让合成语音不再局限于基础发声，而是具备丰富情感表达能力。在国际第三方权威评测榜单ArtificialAnalysis中，Qwen-Audio-3.0-TTS-Plus取得综合排名第一。
Qwen-Audio-3.0-TTS支持文本嵌入结构化标签，用户可添加抽气、轻笑、愤怒等专属标记，精准调节语音的情绪、语气与呼吸细节，实现精细化的语音表达控制。
该模型配备即用型精品音色库，将多语种、方言、指令控制等核心能力落地为可直接调用的音色资源，后续将陆续上线风格指令、20种方言、细粒度调控及14种以上小语种音色。同时模型音频输出规格从24KHz升级至48KHz，达到录音棚、影视配音级音质，单次可支持最长3分钟的连续语音合成。
在多语种适配方面，Qwen-Audio-3.0-TTS-Plus经过专项优化，总共支持中、英、日、韩、德等16种语言，新增阿拉伯语、越南语、马来语、菲律宾语；方言覆盖范围丰富，包含广东、重庆、东北、陕西、上海、四川、云南等20种主流方言。
