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 语音合成大模型(5 条相关)→
「多模态」频道最新
- AI 视频制作入坑指南：如何解决连贯性与审查限制 — cynicalnewenglander · 2026-07-22
- 先做分镜再生成，AI 舞蹈视频更容易保持一致性 — aftahi_ai · 2026-07-22
- Runpod MCP 让 Claude 直接编排图像和视频生成工作流 — 802high · 2026-07-22
- Midjourney 把蜜蜂做成碎片爆炸梗图 — michaelrabone · 2026-07-22
- 物理奖励能改进视频生成，但不等于物理引擎 — Dapper-Drawer4546 · 2026-07-22
- HeyGen 给 coding agent 接入 7.5 万图片和 1 万音乐 — HeyGen · 2026-07-22