7 月20日，阿里巴巴发布语音合成大模子Qwen-Audio-3.0-TTS，在细粒度标签限度、freestyle指示遵从、多语种与方言掩盖以及复杂声学鲁棒性等方面系统性擢升，包含面向及时交互的Flash版块（首包延时300ms级别）和面向高质料生成的Plus版块，让合谚语音从“能语言”走向“会抒发”。当今，在众人第三方巨擘榜单Artificial Analysis，Qwen-Audio-3.0-TTS-Plus斩获冠军，其预览版Fun-Realtime-TTS曾经在一个月前登顶该榜单。

Qwen-Audio-3.0-TTS的上一代版块已援助freestyle（开脱格调格局），可在指示词中加入“资深客服”、“足球说明员”等脚色设定，以限度心扉、场景和语速等。新模子则在细粒度上进一步跃迁，通过结构化标签，用户可径直在文本里镶嵌 [gasp]（抽连气儿）、[giggles]（轻笑）、[angry]（震怒）这类象征，把限度精度从整段心扉细化到“哪个字后头该倒吸连气儿”，适用于需要精准限度细节的叙事、游戏、配音等场景。

面向众人多语种场景，Qwen-Audio-3.0-TTS 进行了专项优化，掩盖中、英、日、韩、德等16 种语言，新增阿拉伯语、越南语、马来语以及菲律宾语。证据CV3-Eval的多语种基准测试，在16 种语言的“词/字失误率”评测中，Qwen-Audio-3.0-TTS眷属在 10 种语言中获取 SOTA，韩语和马来语的跨越幅度最大；在 16 种语言的“语言东说念主雷同度”评测中，Qwen-Audio-3.0-TTS-Plus 全胜，包揽一起最优，Flash版块包揽了15项第二，其中马来语、西班牙语和阿拉伯语跨越幅度最为澄澈。

模子鸿沟越大、磨练数据越杂，方言的发音会不自发地滑向平庸话腔。针对这个痛点，商讨团队特意盘算了方言强化磨练，让模子在韵律、声调与白话抒发上接近母语者，掩盖广东、重庆、东北、陕西、上海、四川、云南等 20种方言。

语音克隆产物频频要求原始参考音频在悠然环境下录制，Qwen-Audio-3.0-TTS通过着实声学仿真磨练，在克隆进程中镶嵌了语音增强才智，让模子在高噪声、高混响条目下也能过滤侵略、只留音色。面向严肃创作场景，模子领有开箱即用的佳构音色库，并将音频输出从擢升24kHz 到 48kHz，尽头于视频配音和有声书的品性擢升到灌音棚、影视配音的规格，单次语音合成可长达 3 分钟。

即日起开yun体育网，两款模子已在阿里云百真金不怕火洞开调用。