阿里Qwen-Audio-3.0-TTS发布，登顶全球TTS权威榜单

阿里通义团队于 7 月 20 日发布语音合成大模型 Qwen-Audio-3.0-TTS，在细粒度标签控制、自由风格指令遵循、多语种与方言覆盖以及复杂声学鲁棒性等方面进行了系统性升级，并在全球第三方权威榜单 Artificial Analysis 上由 Plus 版本斩获冠军。该模型包含两个版本：面向实时交互的 Flash 版本（首包延时 300ms 级别）与面向高质量生成的 Plus 版本。目前两款模型已在阿里云百炼平台开放调用。

细粒度标签与风格控制

Qwen-Audio-3.0-TTS 的上一代已支持 freestyle 自由风格模式，可在提示词中设定「资深客服」「足球解说员」等角色，以控制情绪、场景和语速。新版本在此基础上引入结构化标签机制，允许用户直接在文本里嵌入 [gasp]（抽一口气）、[giggles]（轻笑）、[angry]（愤怒）等标记，将控制精度从整段情绪细化到具体某个字之后的声学表现，适用于叙事、游戏、有声内容配音等需要精确把控细节的场景。

多语种与多方言覆盖

面向全球多语种场景，模型在中、英、日、韩、德等 16 种语言基础上，新增阿拉伯语、越南语、马来语和菲律宾语。根据 CV3-Eval 多语种基准测试：

• 在 16 种语言的「词/字错误率」评测中，Qwen-Audio-3.0-TTS 家族在 10 种语言上取得 SOTA，韩语与马来语领先幅度最大。
• 在 16 种语言的「说话人相似度」评测中，Plus 版本包揽全部最优，Flash 版本取得 15 项第二，马来语、西班牙语、阿拉伯语领先幅度最为明显。

针对大模型训练中方言易滑向普通话腔调的痛点，研究团队设计了方言强化训练方案，覆盖广东、重庆、东北、陕西、上海、四川、云南等 20 种方言，使其在韵律、声调与口语表达上更贴近母语者。

抗噪克隆与高保真输出

传统语音克隆通常要求原始参考音频在安静环境下录制。Qwen-Audio-3.0-TTS 通过真实声学仿真训练，在克隆流程中嵌入语音增强能力，使模型在高噪声、高混响条件下也能过滤干扰、保留音色。同时，模型内置开箱即用的精品音色库，音频输出采样率从 24kHz 提升到 48kHz，达到录音棚与影视配音规格，单次语音合成最长支持 3 分钟。