智东西
作者 杨京丽
编辑 李水青

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。

最新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。

最新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。

根据最新公布的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。

四、支持20种中文方言，强化韵律和声调训练

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。最新称，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。