Qwen-Audio-3.0-TTS发布
通义实验室 · wechat · 2026-07-20
阿里通义实验室发布了 Qwen-Audio-3.0-TTS 实时语音合成模型，分为两个版本：
- Flash：面向实时交互，首包延迟约 300ms。
- Plus：面向高质量生成，在自然度和音色还原度上更强。
这次更新重点解决四类生产问题：更广的多语种覆盖、更自然的自然语言指令控制、更细粒度的标签控制，以及参考音频不清晰时的鲁棒性。官方还称 Qwen-Audio-3.0-TTS-Plus 在 ArtificialAnalysis 榜单上拿到冠军。
模型支持 16 种语言 和 20 种高质量方言，可以直接用自然语言描述角色、情绪、场景和语气，也支持在文本中嵌入 [gasp]、[giggles]、[angry] 等标签做更细的表达控制。另有精品音色库、48kHz 高清输出和最长 3 分钟 单次合成能力。
所属事件:阿里发布 Qwen-Audio-3.0-TTS 语音大模型(5 条相关)→
「多模态」频道最新
- 29 美分用 Dreamina Seedance 伪造大坝灾难「幕后花絮」 — Standard_Spell5873 · 2026-10-27
- Reddit 求助：Qwen Image 2.1 换装总毁身材比例，Flux 3 Klein 略好 — Existing-Box-7866 · 2026-10-27
- ComfyUI 打造跨场景一致角色：RealVisXL V5 加 img2img 面部参考 — MiaLarsonJL · 2026-10-27
- 29 美分生成迈克尔·贝式屋顶大片，Seedance 实测效果惊人 — PersonalSpace_4225 · 2026-10-27
- 3 步 Turbo LoRA 实测:Moss 图像模型极速出图效果展示 — JadedScorpion · 2026-10-27
- Magnific 预告 10 月 28 日上线新功能：「We're making it move」 — cuenca · 2026-10-27