阿里发布Qwen-Audio-3.0-TTS：Plus登顶全球榜首

7月20日晚间，阿里巴巴推出了新一代语音合成大模型Qwen-Audio-3.0-TTS。该模型在细粒度标签控制、自由风格指令遵循、多语言及方言支持以及复杂声学鲁棒性上实现了全面升级。产品线包含面向实时对话的Flash版（首包响应时间约300毫秒）和追求极致音质的Plus版，标志着合成语音从单纯的“发声”进化为具备情感的“表达”。据悉，Qwen-Audio-3.0-TTS-Plus已登顶全球权威评测平台Artificial Analysis的冠军宝座。

基于前代模型对freestyle（自由风格）的支持，新版本允许用户在提示词中定义“资深客服”或“足球解说员”等角色，以调节情绪、场景和语速。此次升级进一步提升了细粒度控制能力，引入了[gasp]（吸气）、[giggles]（轻笑）等结构化标签，用户可在文本中精准插入这些标记。这种控制粒度已细化至单字级别的情绪控制，非常适合叙事、游戏和配音等对细节要求极高的场景。

针对全球化应用，Qwen-Audio-3.0-TTS进行了针对性的优化，支持包括中文、英文、日文、韩文、德文在内的16种语言，并新增了阿拉伯语、越南语、马来语和菲律宾语。

为解决大模型在混合数据训练下容易“普通话化”的难题，研发团队实施了方言强化训练。这使得模型在韵律、声调及口语表达上更贴近母语者水平，目前已覆盖广东、重庆、东北、陕西、上海、四川、云南等20种方言。

不同于传统语音克隆对录音环境的苛刻要求，Qwen-Audio-3.0-TTS利用真实声学仿真技术，在克隆过程中内置了语音增强模块。即便在嘈杂或混响严重的环境中，模型也能精准提取音色。在专业创作领域，该模型提供了即用型的高品质音色库，并将音频采样率提升至48kHz，输出质量媲美录音棚或影视配音，单次合成时长最长可达3分钟。

目前，Flash和Plus两款模型均已上线阿里云百炼平台，支持调用。

编辑：孙同怀

新浪财经声明：本文转载自合作媒体，旨在传递更多信息，内容仅供参考，不构成投资建议。

郑重声明：1.根据《证券法》规定，禁止编造、传播虚假信息或者误导性信息；2.用户在本社区发表的所有资料、言论等仅代表个人观点，与本网站立场无关，不对您构成任何投资建议。