AI语音进入“表演时代”：阿里Qwen-Audio-3.0-TTS登顶全球权威榜单
内容提要
阿里巴巴发布语音合成大模型Qwen-Audio-3.0-TTS，支持细粒度标签控制、20种方言和16种语言，覆盖多语种场景。模型分Flash和Plus版本，在权威榜单夺冠，具备高鲁棒性和48kHz高质量输出，适用于实时交互和严肃创作，已开放调用。
延伸解读
细粒度控制：从“整段情绪”到“逐字表演”
Qwen-Audio-3.0-TTS通过结构化标签（如[gasp]、[giggles]）将语音合成控制精度提升到逐字级别，用户可在文本中指定某个字后的呼吸或笑声。这种能力对叙事、游戏配音等需要精确情感表达的场景尤为重要，标志着TTS从“能说话”向“会表达”的转变。
多语种与方言覆盖：全球化与本地化并重
模型支持16种语言和20种方言，新增阿拉伯语、越南语等，并在多语种基准测试中多项领先。方言强化训练旨在避免“普通话腔”，提升母语者听感。这为跨语言内容创作和本地化服务提供了更自然、地道的语音输出，但实际效果仍需用户实测验证。
鲁棒性与音质：面向真实场景与严肃创作
通过真实声学仿真训练，模型在高噪声、高混响环境下仍能保持音色纯净，解决了语音克隆对安静录音的依赖。同时，输出采样率提升至48kHz，单次合成可达3分钟，满足录音棚级影视配音需求。这些特性使其适用于实时交互和高质量内容生产，但具体表现需结合使用场景评估。
Q&A
Qwen-Audio-3.0-TTS是什么时候发布的？
阿里巴巴于7月20日发布了语音合成大模型Qwen-Audio-3.0-TTS。
Qwen-Audio-3.0-TTS有哪些版本？分别有什么特点？
Qwen-Audio-3.0-TTS分为Flash和Plus两个版本。Flash版本面向实时交互，首包延时在300毫秒级别；Plus版本面向高质量生成，适合严肃创作场景。
Qwen-Audio-3.0-TTS在权威榜单上的表现如何？
在全球第三方权威榜单Artificial Analysis上，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支持哪些语言和方言？
Qwen-Audio-3.0-TTS支持16种语言，包括中、英、日、韩、德等，新增阿拉伯语、越南语、马来语和菲律宾语；同时支持20种方言，如广东、重庆、东北、陕西、上海、四川、云南等。
Qwen-Audio-3.0-TTS的细粒度标签控制是如何实现的？
用户可以在文本中直接嵌入结构化标签，如[gasp]（抽一口气）、[giggles]（轻笑）、[angry]（愤怒）等，从而精确控制到每个字后面的情绪或动作，适用于叙事、游戏、配音等需要精细控制的场景。
Qwen-Audio-3.0-TTS在噪声环境下表现如何？
Qwen-Audio-3.0-TTS通过真实声学仿真训练，在克隆流程中嵌入了语音增强能力，即使在高噪声、高混响条件下也能过滤干扰，只保留音色，因此无需安静环境录制参考音频。
Qwen-Audio-3.0-TTS的音频输出质量如何？
Qwen-Audio-3.0-TTS将音频输出从24kHz提升到48kHz，达到录音棚、影视配音的规格，单次语音合成可长达3分钟，适合视频配音和有声书等严肃创作场景。
Qwen-Audio-3.0-TTS如何调用？
即日起，Qwen-Audio-3.0-TTS已在阿里云百炼开放调用。
