阿里 Qwen-Audio-3.0-TTS 语音合成模型登顶全球榜单
阿里新语音模型让合成语音从“能说话”升级到“会表演”，登上全球权威榜首。
阿里发布语音合成大模型 Qwen-Audio-3.0-TTS，能通过 [gasp]、[giggles] 等标签精确控制每个字的语气，支持 16 种语言和 20 种方言，在高噪声环境下也能克隆音色，输出品质提升至 48kHz。该模型在 Artificial Analysis 榜单夺冠，提供 Flash（300 毫秒首包延时）和 Plus 两个版本。
正文摘录
.png) 7 月20日，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，其预览版 Fun-Realtime-TTS 也曾在一个月前登顶该榜单。  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。