语音合成领域迎来了一位重量级新成员。阿里千问正式推出全新的大模型——Qwen-Audio-3.0-TTS，并一口气发布了两个版本：一个是面向实时交互场景的Flash版本，首包延迟控制在300毫秒级别；另一个则是追求高质量音频生成的Plus版本。
官方透露，此次新模型在多个关键维度上实现了系统性突破：细粒度标签控制、自由风格指令遵循、多语种与方言覆盖，以及复杂声学环境下的鲁棒性。用一句话概括，就是让AI语音从“能发声”真正进化到了“会表达”。在全球第三方权威榜单Artificial Analysis上，Qwen-Audio-3.0-TTS-Plus强势拿下冠军。
在功能层面，Qwen-Audio-3.0-TTS支持在文本中嵌入结构化标签。用户可以直接在文本里写入[gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）等标记，从而对语气、情绪甚至呼吸细节进行精准调控。
除此之外，Qwen-Audio-3.0-TTS还配套了一个开箱即用的精品音色库。该音色库将模型在多语种、多方言、指令控制以及细粒度表达上的能力，沉淀为可直接调用的音色资源。后续将陆续上架指令风格音色、20种方言音色、细粒度控制音色，以及14种以上的小语种音色。音频输出方面，也从24KHz直接提升至48KHz——这相当于从电话和普通语音助手的音质，跃升到了录音棚与影视配音的规格。单次语音合成时长可达3分钟。
针对全球多语种场景，Plus版本进行了专项优化，覆盖中、英、日、韩、德等16种语言，并新增了阿拉伯语、越南语、马来语、菲律宾语。方言方面，支持广东、重庆、东北、陕西、上海、四川、云南等20种方言。
