通义发布 Qwen-Audio-3.0-TTS，登顶第三方 TTS 榜单

阿里通义 Qwen 团队正式推出 Qwen-Audio-3.0-TTS 文本转语音模型，并同步上线 API。该模型分为两个版本：Flash 面向实时交互场景，主打低延迟；Plus 面向高质量生成场景，强调音色表现与稳定性。

双版本定位

• Flash：面向实时交互场景，主打低延迟，适合对话、直播、客服等需要即时响应的应用。
• Plus：面向高质量生成场景，强调音色细节与稳定性，适合有声读物、视频配音、内容创作等离线或近线任务。

核心新特性

新版模型在控制粒度与生成能力上做了多项升级：

• 细粒度内联标签：支持在文本中直接插入 [whisper]、[angry]、[breaths]、[laughs] 等标签，对局部语气、情绪与副语言现象进行精确控制。
• 自由式自然语言控制：可用日常口语描述风格，例如「像睡前故事一样慢慢读」，由模型自行解析并执行。
• 多语言覆盖：支持 16 种语言。
• 抗噪参考音频：即便参考音频存在噪声，仍能输出干净的合成结果。
• 长文本一次生成：单次最长支持约 3 分钟的长音频输出，无需切片拼接。

榜单与可用性

官方称 Qwen-Audio-3.0-TTS 在 Artificial Analysis TTS Leaderboard 排名第一，但未公布具体分数或对比模型细节。模型已在通义官方博客发布技术说明，并开放 API 接入，开发者可直接调用。

需要注意的是，「#1」成绩目前来自官方一手声明，尚未见独立第三方对其能力做完整复现评测；具体在中文方言、歌唱合成等长尾场景下的表现，仍有待后续实测验证。