大模型廠商在語音賽道的軍備賽，又多了一名重量級選手。 7 月 20 日，千問正式發佈語音合成大模型Qwen-Audio-3.0-TTS，把說話這件事的控制權，從繁瑣的參數配置交還到了一句自然語言指令手裏。

這款新模型最鮮明的標籤是Free-style自然語言指令控制。過去要讓AI念出某種語氣、節奏或風格，往往得在後臺調一堆工程參數；如今用戶只需用日常語言描述想要的效果，模型就能照着指令把聲音合成出來，門檻被大幅削平。

更關鍵的是，千問爲不同場景準備了兩副面孔。面向實時交互的Flash版本，把首包延遲壓到了 300 毫秒級別，這個量級意味着對話裏的語音響應幾乎感覺不到停頓，足夠撐起實時問答、語音助手這類對延遲極度敏感的現場；面向高質量生成的Plus版本，則把火力集中在音質與表現力上，主攻有聲書、配音、內容創作等需要細膩聲音質感的任務。一條產品線，同時覆蓋了快和好兩條原本相互拉扯的需求曲線。

當自然語言成了控制語音的遙控器，千問這一步，把語音合成從工程活兒又往普通人的工具箱裏推進了一格。