智东西
智东西7月20日报道，今天，千问大模型发布语音合成大模型Qwen-Audio-3.0-TTS，包含面向实时交互的Flash版本（首包延时300ms级别）和面向高质量生成的Plus版本。
模型在细粒度标签控制、freestyle指令遵循、多语种与方言覆盖以及复杂声学鲁棒性等方面实现系统性提升。目前，Qwen-Audio-3.0-TTS-Plus在第三方评测机构Artificial Analysis的Speech Arena语音合成榜单中居于第一，Elo得分为1237。
▲Qwen-Audio-3.0-TTS-Plus在语音合成榜单中排名第一（图源：Artificial Analysis）
阿里还将陆续上线指令风格音色、20种方言音色、细粒度控制音色及14种以上小语种音色，供开发者直接调用。在输出规格方面，Qwen-Audio-3.0-TTS将音频采样率从24kHz提高至48kHz，单次语音合成最长可达3分钟。
目前，Qwen-Audio-3.0-TTS-Plus和Flash版本均已在阿里云百炼开放。
Qwen-Audio-3.0-TTS-Plus：
https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-plus?serviceSite=asia-pacific-china
Qwen-Audio-3.0-TTS-Flash：
https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-flash?serviceSite=asia-pacific-china
一、文本里插入标签，模型可调节语气、情绪、呼吸等细粒度标签控制是Qwen-Audio-3.0-TTS此次升级的重点之一。用户可以在文本中直接插入结构化标签，嵌入[gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）等这类标记，可以调节语气、情绪和呼吸等细节。
官方也给出了相关的案例，在一段飞船事故相关台词前加入[angry]标签后，模型会以愤怒语气合成后续内容。
合成文本：[angry]你们竟然私自切断了主控系统的能源！知不知道防护罩一旦失效，整艘飞船的人都会化为灰烬？这就是你们所谓的‘为了大局’吗！简直是不可理喻！
参考音频：
//oss.zhidx.com/uploads/2026/07/6a5df7a6e2862_6a5df7a6df376_6a5df7a6df347_1.mp3合成音频：
//oss.zhidx.com/uploads/2026/07/6a5df7a95e1b8_6a5df7a959e24_6a5df7a959df0_02.mp3根据文本提示，模型在生成的音频中加入了愤怒的语气，角色的质问感和紧迫感随台词逐步增强。
此外，用户也可以通过输入指令，要求模型在说话过程中笑出声。
指令：说到一半忍不住扑哧笑出声
合成文本：你说的这个事啊，我都听过好几遍了，扑哧——还是觉得好笑。
合成音频：
//oss.zhidx.com/uploads/2026/07/6a5df7aa5a583_6a5df7aa56dd7_6a5df7aa56dad_03.mp3 二、自由指令控制，可直接用自然语言描述除结构化标签外，Qwen-Audio-3.0-TTS还支持Free-style自然语言指令控制。用户可以直接用自然语言描述角色、情绪、场景和语速，不需要单独调整专业音频参数。
官方给出了下面这几个案例：
指令：你是一位年轻女性小学老师，正在课堂上耐心地给一年级学生复述拼音规则。语速很慢，每一个发音都示范一遍，语调上扬带笑意。
合成文本：我们再来读一次，j、q、x这三个声母后面如果跟着u，那个u上的两点要去掉。你跟老师一起读，j——u——ju。
参考音频：
//oss.zhidx.com/uploads/2026/07/6a5df7b047763_6a5df7b043e16_6a5df7b043deb_05.mp3合成音频：
//oss.zhidx.com/uploads/2026/07/6a5df7b300305_6a5df7b2efd27_6a5df7b2efcfa_06.mp3模型会按照这段指令合成对应的课堂讲解录音。类似方式也可以用于旁白、角色配音、有声内容和语音助手等场景。
指令：你是悬疑剧旁白，屏住呼吸把紧张感一层层叠上去。
合成文本：那天夜里下着大雨，林晚一个人坐在书房里。窗外的雷声一阵接一阵，灯光忽明忽暗。她忽然听见楼下传来了脚步声——缓慢、沉重，像是有人在故意压低声响。她屏住呼吸，手指紧紧抓住椅子的扶手。脚步声越来越近，最终停在了书房门口。门把手轻轻地，转动了一下。
合成音频：
//oss.zhidx.com/uploads/2026/07/6a5df7ac48ee7_6a5df7ac45300_6a5df7ac452d8_04.mp3从合成效果来看，旁白语速较为急促，营造出明显的紧张感，让人仿佛置身故事场景之中。如果有声小说采用这种能够随情节调整节奏和情绪的配音，听众的沉浸感和代入感也会更强。
三、覆盖16种语言，10种语言字词错误率最低Qwen-Audio-3.0-TTS-Plus覆盖中文、英语、日语、韩语、德语等16种语言，新增了阿拉伯语、越南语、马来语和菲律宾语。
根据官方公布的CV3-Eval多语种测试结果，目前，Qwen-Audio-3.0-TTS在16种语言的词或字错误率评测中，Qwen-Audio-3.0-TTS系列在10种语言中排名第一，其中韩语和马来语的领先幅度较大。
在16种语言的说话人相似度评测中，Qwen-Audio-3.0-TTS-Plus取得全部16项最优成绩，Flash版本取得其中15项第二。马来语、西班牙语和阿拉伯语的提升较为明显。
中文方言方面，Qwen-Audio-3.0-TTS目前支持广东话、重庆话、东北话、陕西话、上海话、四川话和云南话等20种方言。千问称，新模型使用了更多方言数据，并增加了方言强化训练阶段，让模型在韵律、声调与口语表达上接近母语者，减少通用语音强化学习过程中可能出现的方言特征减弱问题。
用户可以通过自然语言指令指定输出方言。例如，输入“输出上海话”，模型即可根据后续文本合成上海话语音。
指令：
输出上海话：屋里向装修真个是烦人，天天敲墙壁，声音响得来！灰尘落得一塌糊涂，真想快点弄清爽。
合成音频：
//oss.zhidx.com/uploads/2026/07/6a5df7b988f87_6a5df7b98456e_6a5df7b984538_08.mp3五、噪声和混响环境下，仍具备较强声音复刻能力声音复刻通常需要使用较为清晰的参考录音，但实际获得的音频中可能包含背景噪声或混响。
Qwen-Audio-3.0-TTS加入了真实声学环境仿真训练，将语音增强能力用于声音复刻流程。官方称，在参考音频存在较高噪声或混响的情况下，模型可以过滤部分环境干扰，并提取说话人的音色。
合成文本：听到这首歌的时候，突然想起很多年前的夏天。
参考音频：
//oss.zhidx.com/uploads/2026/07/6a5df7baa4948_6a5df7baa0ef8_6a5df7baa0ece_09.mp3合成音频：
//oss.zhidx.com/uploads/2026/07/6a5df7bcc77e7_6a5df7bcc2839_6a5df7bcc280e_10.mp3结语：语音合成增强语气、情绪等控制能力从此次升级来看，Qwen-Audio-3.0-TTS提高了对于语气、情绪、呼吸和角色风格的控制能力。结构化标签适合调节具体位置的表达效果，自然语言指令则能对角色、场景和语速进行整体描述，多语种、方言及复杂声学环境下的声音复刻能力也得到扩展。
随着Plus和Flash版本在阿里云百炼开放，这些能力将进入更多实际应用场景，为旁白、角色配音、有声内容和语音助手提供更多配音方案。
辉煌优配官网提示：文章来自网络，不代表本站观点。
