位列 Artificial Analysis 榜首，阿里千问发布语音合成大模型 Qwen-Audio-3.0-TTS

阿里千问于 7 月 20 日正式发布语音合成大模型

，包含两个版本：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。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”。

核心特性一览

• 细粒度标签控制
  ：支持在文本中嵌入结构化标签，直接调控语气、情绪和呼吸细节。

• Freestyle 指令遵循
  ：无需严格格式，自然语言指令即可驱动语音风格变化。

• 多语种与方言覆盖
  ：支持 16 种语言和 20 种方言，满足全球化需求。

• 复杂声学鲁棒性
  ：在嘈杂环境、变声场景下仍保持稳定表现。

全球权威榜单夺冠

在全球第三方权威榜单

中，Qwen-Audio-3.0-TTS-Plus 斩获冠军，综合性能获得国际认可。

结构化标签控制：精准表达情绪与语气

用户可直接在文本中嵌入以下标签，实现对语音的精细调控：

• [gasp]（抽气）
• [giggles]（轻笑）
• [angry]（愤怒）
• 更多情绪类标记（如 [sigh]、[whisper] 等）

这些标签让语音合成不再只是“读文字”，而是能根据场景传递真实情感。

精品音色库：开箱即用的高品质资源

模型配套 精品音色库，将多语种、多方言、指令控制和细粒度表达的能力沉淀为可直接调用的音色资源。后续将陆续上架：

• 指令风格音色
  ：根据指令动态调整风格

• 20 种方言音色
  ：覆盖广东、重庆、东北、陕西、上海、四川、云南等

• 细粒度控制音色
  ：支持更细腻的情感表达

• 14+ 小语种音色

音频输出规格从 24KHz 提升至 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。单次语音合成最长可达 3 分钟。

多语种与方言覆盖详情

面向全球多语种场景，Qwen-Audio-3.0-TTS-Plus 进行了专项优化，覆盖以下语言：

• 16 种语言
  ：中文、英文、日文、韩文、德文等，并新增阿拉伯、越南、马来、菲律宾语。

• 20 种方言
  ：广东、重庆、东北、陕西、上海、四川、云南等。

用户可根据实际场景选择原声或特定方言，无需额外训练。

开放链接与使用入口

Qwen-Audio-3.0-TTS 现已全面开放，可通过以下链接体验：

• Plus 版本（高质量）
  ：https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-plus

• Flash 版本（低延迟）
  ：https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-flash

小提示

• 如果对实时性要求高（如语音助手、直播交互），建议优先选择

  Flash 版本
  ，首包延时仅 300ms 级别。
• 如果追求最高音质与情感表现力（如有声书、影视配音），建议使用

  Plus 版本
  ，支持 48KHz 采样率和 3 分钟长文本。
• 使用结构化标签时，请确保标签拼写正确（如 [giggles] 而非 [giggle]），否则可能被忽略。

常见问题

A：Flash 版本优先保证低延迟（首包延时 300ms），适合实时交互场景；Plus 版本优先保证高音质（48KHz 采样率）和长文本合成（最长 3 分钟），适合内容创作场景。

A：在输入文本中直接嵌入标签即可，例如：“你今天怎么样？[giggles] 我很好。”模型会自动识别并应用对应语气。

A：目前支持 20 种方言，包括广东、重庆、东北、陕西、上海、四川、云南等，后续会持续扩充。