通义千问发布Qwen-Audio-3.0音频生成预览版技术报告
udmrzn · x · 2026-07-31
阿里巴巴通义千问团队发布了 Qwen-Audio-3.0-Gen-Preview 技术报告。该模型采用统一的非自回归框架，结合扩散Transformer（DiT）和共享变分自编码器（VAE），能够直接生成包含语音、音乐、音效和多重角色的完整混合长波形。
模型通过共享连续 VAE 将 48kHz 立体声压缩为 25Hz 潜在序列，并引入语义监督。评测结果显示，其在 Seed-TTS-Eval 中表现出卓越的说话人相似度，在多说话人基准测试中具有比 Seed-Audio-1.0 更高的跨轮次一致性，并在 AudioCaps 测试中展现出更强的时序定位能力。
「多模态」频道最新
- 用 Claude Code 驱动 Blender 做出 Anthropic 小粉丝动画 — Icy-Appointment3583 · 2026-10-16
- 用 Opus/Astra/Argon 生成 Blender 动画：怎么描述依然决定成败 — chongdashu · 2026-10-16
- 免细分位移表面几何查询新方法,焦散渲染方差降超10倍 — ssh4net · 2026-10-16
- AI 生成机械装配结构成功动起来,作者激动截图庆祝 — zetalyrae · 2026-10-16
- 复旦 OpenMOSS 开源 MOSS-Image-SFT:Apache 2.0 文生图模型 — bdsqlsz · 2026-10-16
- Hyperflow 开源：采样 49 步压到 8 步，视频生成提速约 3 倍 — mhdfaran · 2026-10-16