阿里Qwen-Audio-3.0-TTS登顶全球榜单，AI语音合成进入细粒度“表演时代”
2026/07/20 17:05阅读量 2
阿里巴巴发布Qwen-Audio-3.0-TTS语音合成大模型，包含Flash（低延迟）和Plus（高质量）两个版本。Plus版本在Artificial Analysis语音合成榜单夺冠。新模型支持细粒度标签控制（如[gasp]标记）、16种语言和20种方言，语音克隆可抗噪声，输出48kHz音频，最长3分钟。已在阿里云百炼开放调用。
7月20日，阿里巴巴发布新一代语音合成大模型Qwen-Audio-3.0-TTS，包含两款版本：
- 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，已在全球第三方权威榜单Artificial Analysis斩获冠军。
该模型在多个维度实现系统性提升：
细粒度标签控制：用户可直接在文本中嵌入[gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）等结构化标记，将情绪控制精度从整句细化到具体字词，适用于叙事、游戏、配音等需要精确细节的场景。
多语种与方言覆盖：支持中、英、日、韩、德等16种语言，新增阿拉伯语、越南语、马来语、菲律宾语。在CV3-Eval多语种基准测试中，词/字错误率评测方面，Qwen-Audio-3.0-TTS家族在10种语言上达到SOTA，其中韩语和马来语领先幅度最大；说话人相似度评测中，Plus版本在全部16种语言上取得最优，Flash版本取得15项第二。
方言方面，经过专门设计的强化训练，模型在韵律、声调与口语表达上接近母语者，覆盖广东、重庆、东北、陕西、上海、四川、云南等20种方言。
复杂声学鲁棒性：语音克隆功能不再要求原始参考音频必须在安静环境录制。通过真实声学仿真训练，模型能在高噪声、高混响条件下过滤干扰，精准提取音色。
高品质输出：内置精品音色库，音频输出采样率从24kHz提升至48kHz，达到录音棚/影视配音规格；单次合成最长可达3分钟。
即日起，两款模型已在阿里云百炼平台开放调用。