阿里千问发布 Qwen-Audio-3.0-TTS 语音合成模型，支持多语种与方言

阿里千问推出 Qwen-Audio-3.0-TTS 语音合成大模型，包括实时交互的 Flash 版本（首包延时约 300 毫秒）和高质量生成的 Plus 版本。新模型在细粒度标签控制、freestyle 指令遵循、多语种与方言覆盖等方面实现系统性提升，让合成语音从“能说话”走向“会表达”。

Qwen-Audio-3.0-TTS 支持在文本中嵌入结构化标签，如[gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒），用户可直接调控语气和情绪。模型还配备精品音色库，将多语种、多方言和指令控制能力沉淀为可调用的音色资源，并将音频输出从 24KHz 提升至 48KHz，单次语音合成可达 3 分钟。

该模型针对全球多语种场景优化，覆盖中、英、日、韩、德等 16 种语言，新增阿拉伯、越南、马来、菲律宾语，并支持广东、重庆、东北、陕西等 20 种方言。在全球第三方权威榜单 Artificial Analysis 中，Qwen-Audio-3.0-TTS-Plus 已斩获冠军。