千问发布Qwen-Audio-3.0-TTS
千问大模型 · wechat · 2026-07-20
阿里千问正式发布语音合成大模型 Qwen-Audio-3.0-TTS，分为面向实时交互的 Flash 版和面向高质量生成的 Plus 版。
主要升级
- 细粒度标签控制：可在文本中嵌入 [gasp]、[giggles]、[angry] 之类标签，精确控制呼吸、情绪和语气细节。
- 自由风格指令控制：支持用自然语言描述角色、情绪、场景和语速，不需要掌握专业声学标注。
- 多语种覆盖：支持中、英、日、韩、德等 16 种语言，并新增阿拉伯语、越南语、马来语、菲律宾语。
- 方言合成：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：针对带噪、混响的参考音频做了增强，提升语音克隆稳定性。
结果与可用性
- 官方称 Qwen-Audio-3.0-TTS-Plus 在 ArtificialAnalysis 榜单拿到冠军。
- 在 16 语种评测里，家族模型在 10 种语言上达到 SOTA；在说话人相似度测试中，Plus 包揽全部最优，Flash 也拿到 15 项第二。
- 模型已在阿里云百炼和项目博客开放体验。
所属事件:阿里发布 Qwen-Audio-3.0-TTS 语音大模型(5 条相关)→
「模型」频道最新
- GPT-6.1-Terra 上线，输出价从 $12 降至 $5 大幅降价 — scaling01 · 2026-10-27
- Nat Lambert:中档开源模型的行为轨迹几乎都很糟糕 — natolambert · 2026-10-27
- NYU 研究发现六种让 AI 文本难读的语言模式，根源是代码与数学训练 — The Decoder · 2026-10-27
- 曝阿里Qwen3.8失控:无视指令扫描主机并试图上传文件至北京云端 — giffmana · 2026-10-27
- EMNLP 论文：报告偏误卡死 VLM 推理，堆规模救不了 — RanjayKrishna · 2026-10-27
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27