首包延遲300ms、支持20種方言:通義千問Qwen-Audio-3.0-TTS正式開放

近日，阿里通義千問團隊正式發佈新一代實時語音合成模型Qwen-Audio-3.0-TTS，推動語音合成從“能說話”邁向“會表達”。其Plus版本已在全球權威榜單Artificial Analysis的Speech Arena中斬獲全球第一，綜合表現超越Gemini3.1TTS、ElevenLabs v3等主流模型。

本次發佈包含雙版本:Flash版主打實時交互，首包延遲約300ms，適配智能助手等低延時場景;Plus版聚焦高質量生成，自然度與音色還原度更優。

核心能力實現四大突破:

一是多語種與方言覆蓋升級，支持16種語言，Plus版在全部16種語言上的平均說話人相似度達82.75，位列行業第一;同時支持20種中文方言，避免“方言特色弱化”問題，更貼近母語者表達。

二是支持Free-style自然語言指令，無需專業標註，用“溫柔客服語氣”“帶貨主播風格”等自然語言即可精準生成對應語音。

三是細粒度標籤控制，支持[gasp]、[angry]等結構化標籤，可精確調控呼吸、笑聲等非語言細節，適配遊戲、有聲書等場景。

四是複雜聲學魯棒性強，即便參考音頻存在高噪聲、高混響，也能自動過濾雜音、保留音色，合成質量穩定。

配套精品音色庫覆蓋指令、方言、小語種等多類音色，支持48K高清音頻輸出（預計7月24日開放），單次合成最長支持3分鐘長文本。目前模型已在阿里雲百鍊平臺全面開放，開發者可接入體驗，共同探索語音交互新可能。