Qwen-Audio-3.0-TTS 正式发布！AI 语音从 “能说话” 升级到 “会带情绪表达”

阿里云最近放了个大招，正式发布了语音合成大模型Qwen-Audio-3.0-TTS。这次升级，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这几个关键维度上，都做了显著提升。模型包含了两个版本：一个是面向实时交互的Flash版本，首包延时能做到300毫秒级别，适合对速度要求极高的场景；另一个是面向高质量生成的Plus版本，追求更极致的音质和表现力。从全球第三方权威机构Artificial Analysis的榜单来看，Qwen-Audio-3.0-TTS-Plus版本已经拿下了冠军，而它的预览版Fun-Realtime-TTS，其实在一个月前就已经登顶过这个榜单了。

先说说freestyle模式，这个功能很实用。你可以通过角色设定，自由控制合成语音的情绪、场景和语速。更关键的是，新版本支持结构化标签，允许你在文本中嵌入像[gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）这样的标记。这意味着什么？意味着控制精度能从整段情绪，直接细化到单字级别。对叙事、游戏配音这类对细节要求很高的场景来说，这简直是质的飞跃。

在多语种和方言方面，Qwen-Audio-3.0-TTS覆盖了中、英、日、韩、德等16种语言，还新增了阿拉伯语、越南语、马来语和菲律宾语。从CV3-Eval多语种基准测试的结果来看，在16种语言的词/字错误率评测中，模型在10种语言里取得了最优成绩，尤其在韩语和马来语上，领先幅度相当明显。而在说话人相似度评测中，Plus版本更是直接拿下了全部16种语言的SOTA（最优性能）。

方言方面，研究团队也下了不少功夫。他们专门设计了方言强化训练，让模型在韵律、声调和口语表达上，听起来能接近母语者的水平。目前覆盖的方言包括广东、重庆、东北、陕西、上海、四川、云南等20种，范围相当广。

在噪声处理上，模型通过真实声学仿真训练，在克隆流程中直接嵌入了语音增强能力。这意味着，即便是在高噪声、高混响的复杂环境下，也能有效地过滤掉干扰，保证输出质量。音频输出也从之前的24kHz提升到了48kHz，单次语音合成最长可达3分钟。此外，还提供了开箱即用的精品音色库，省去了很多调参的麻烦。

即日起，这两款模型已经在阿里云百炼正式开放调用了。