从“能说话”到“会表达”：Qwen-Audio-3.0-TTS 发布
内容提要
Qwen发布Qwen-Audio-3.0-TTS实时语音合成模型，提供Flash和Plus版本，支持16种语言和20种方言，具备自然语言指令控制、细粒度标签控制及复杂声学鲁棒性。Plus版在权威榜单夺冠，并推出精品音色库，支持48K音频输出。
延伸解读
双版本定位差异
本次发布提供Flash和Plus两个版本，分别面向实时交互与高质量生成。Flash首包延迟约300ms，适合对响应速度要求高的场景；Plus在自然度和音色还原上更优，并在权威榜单夺冠。开发者可根据业务对延迟与质量的不同侧重进行选择。
多语种与方言覆盖
模型支持16种语言和20种中文方言，在多语言可懂度与说话人相似度指标上表现领先。方言覆盖广泛，且通过专门训练缓解了方言特色弱化问题，适合出海业务或需要本地化语音的下沉市场。
指令控制与细粒度标签
支持Free-style自然语言指令，可描述情绪、角色、场景等，无需专业标注知识。同时支持在文本中嵌入结构化标签（如[gasp]、[angry]）精确控制非语言细节，适用于叙事、游戏、影视配音等需要精细情感表达的场景。
鲁棒性与功能上线提醒
针对嘈杂环境下的参考音频做了专项优化，能自动过滤干扰、保留音色，提升复刻清晰度。此外，精品音色库覆盖多种风格，输出支持48K音频和3分钟长文本。但部分方言、小语种音色及48K功能正在陆续上线，48K预计7月24日开放，需以控制台实际为准。
Q&A
Qwen-Audio-3.0-TTS 有哪些版本？它们的主要区别是什么？
Qwen-Audio-3.0-TTS 提供 Flash 和 Plus 两个版本。Flash 面向实时交互，首包延迟约 300ms；Plus 面向高质量生成，在自然度和音色还原度上表现更佳。
Qwen-Audio-3.0-TTS 支持哪些语言和方言？
支持 16 种语言，包括中文、英文、日语、韩语、德语等；支持 20 种高质量方言，覆盖广东、重庆、东北、甘肃、贵州、浙江、河北、河南、湖北、湖南、江西、宁波、宁夏、青岛、陕西、山西、山东、上海、四川、云南。
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 中，Qwen-Audio-3.0-TTS-Plus 斩获冠军。
Qwen-Audio-3.0-TTS 如何通过自然语言控制语音风格？
支持 Free-style 自然语言指令控制，无需专业声学知识，即可通过自然语言灵活定义情绪、角色、场景、语速等维度，使合成结果与预期高度一致。
Qwen-Audio-3.0-TTS 的细粒度标签控制支持哪些标签？适合什么场景？
支持在文本中直接嵌入结构化标签，如 [gasp]、[giggles]、[angry]，可精准调控语气、情绪和呼吸等细节。适合需要精确控制非语言细节的叙事、游戏、影视配音等场景。
Qwen-Audio-3.0-TTS 在嘈杂环境下的表现如何？
通过针对性的真实声学仿真训练，将语音增强能力原生注入复刻流程，能够在嘈杂环境中自动过滤干扰、保留音色，高混响和高噪声场景下合成语音依然保持高质量。
Qwen-Audio-3.0-TTS 的精品音色库包含哪些内容？音频输出有什么升级？
精品音色库覆盖指令风格音色、20 种方言音色、细粒度控制音色以及 14+ 款小语种音色。音频输出品质从 24kHz 跃升至 48K，单次语音合成支持长达 3 分钟。
