千问发布语音合成大模型 Qwen-Audio-3.0-TTS：自然语言指令成为语音控制新遥控器

大模型厂商在语音赛道的竞争，又迎来了一位重量级选手。7月20日，千问正式发布语音合成大模型Qwen-Audio-3.0-TTS，将语音控制权从繁琐的参数配置，交还给了简单的一句自然语言指令。

核心亮点：Free-style 自然语言指令控制

这款新模型最鲜明的标签是Free-style自然语言指令控制。过去，想让AI说出某种语气、节奏或风格，通常需要在后台调整大量工程参数；如今，用户只需用日常语言描述想要的效果，模型就能按照指令合成声音，使用门槛大幅降低。

小提示： 你可以这样对模型说：“用温柔的语气，缓慢地念一段诗歌”或“用兴奋的语调，像播报体育新闻一样”，模型会直接理解并合成对应风格的声音。

两副面孔：Flash 与 Plus 版本各司其职

更关键的是，千问为不同场景准备了两副面孔。

• Flash 版本——面向实时交互：将首包延迟压缩到了 300 毫秒级别，这意味着对话中的语音响应几乎感觉不到停顿，足以支撑实时问答、语音助手等对延迟极其敏感的场景。
• Plus 版本——面向高质量生成：专注于音质与表现力，主打有声书、配音、内容创作等需要细腻声音质感的任务。

一条产品线，同时覆盖了“快”和“好”这两条原本相互拉扯的需求曲线。

技术细节与常见问题

Q：自然语言指令控制是否准确？会不会出现理解偏差？
A：千问团队在训练中使用了大量自然语言与语音风格对应的数据，模型能够较好地理解常见描述（如“轻声”“快速”“带感情”等）。对于复杂或模糊的指令，建议拆解为简单明确的短语，例如将“像电影旁白一样深沉”改为“声音低沉、语速缓慢”。

Q：Flash 和 Plus 版本在使用上有何区别？
A：Flash 版本优先保证响应速度，适合聊天机器人、实时客服等场景；Plus 版本优先保证音质和丰富度，适合录制有声内容、专业配音。两者均支持自然语言指令控制，但 Plus 版本在合成细腻度上更胜一筹。

小提示: 如果你不确定哪个版本适合自己，可以先试用 Flash 版本测试实时反馈，再在需要高质量输出的场景切换到 Plus 版本。

结语

当自然语言成为控制语音的遥控器，千问这一步，将语音合成从工程活儿，又往普通人的工具箱里推进了一格。无论是实时交互的敏捷，还是高质量生成的表现力，Qwen-Audio-3.0-TTS 正在让语音合成变得更像“说话”本身。