阿里发布 Qwen-Audio-3.0-TTS，支持 16 语言与 3 分钟单次生成
Alibaba_Qwen · x · 2026-07-23
阿里通义发布了 Qwen-Audio-3.0-TTS，这是一个新的文本转语音模型，分为两种版本：Flash 面向实时交互，Plus 面向更高质量生成。
这次更新的重点包括：
- 可用细粒度内联标签控制语气，比如 [whisper]、[angry]、[breaths]、[laughs]
- 也支持自然语言指令，比如“像睡前故事一样慢慢读”
- 支持 16 种语言
- 对嘈杂参考音频的输出更稳
- 可在 单次生成 中完成最长 3 分钟的长音频
阿里还称，这个模型已经排到 Artificial Analysis TTS 榜单第 1 名。
「多模态」频道最新
- Midjourney SREF 宝库 TischEins 因安全问题下线后全新重构回归 — tisch_eins · 2026-10-26
- MOSS-Image 4 步蒸馏版 HF 下载破 1.65 万,出图质量几无损耗 — _akhaliq · 2026-10-26
- 用 Claude Code 搭视频剪辑流水线,十段 prompt 从粗剪到成片 — TawohAwa · 2026-10-26
- 一句话生成3D世界，再用AI重绘成电影级镜头 — gizakdag · 2026-10-26
- 零实拍造出一整部电影世界：CineMap 导演分镜配 TapNow 成片 — gizakdag · 2026-10-26
- 快手 Kling 对阵字节 Seedance：中国 AI 视频模型竞争观察 — DavidmComfort · 2026-10-26