Qwen-Audio-3.0-TTS：阿里推出的新一代实时语音合成大模型

Qwen-Audio-3.0-TTS是什么

Qwen-Audio-3.0-TTS 是阿里通义千问团队推出的新一代实时语音合成（TTS）大模型，于 2026 年 7 月 20 日发布。它在多语种与方言覆盖、自然语言指令控制、细粒度标签控制以及复杂声学环境鲁棒性四个方向实现系统性升级，官方将其定位为让合成语音从"能说话"走向"会表达"。模型提供两个版本：Flash 面向实时交互，首包延迟约 300ms；Plus 面向高质量生成，在自然度和音色还原度上表现更佳。官方表示，在全球第三方权威榜单 Artificial Analysis 中，Qwen-Audio-3.0-TTS-Plus 斩获冠军。两款模型已上线阿里云百炼平台，对开发者开放调用。

Qwen-Audio-3.0-TTS的核心能力

• 多语种精准合成： 覆盖中文、英文、日语、韩语、德语等 16 种语言，并针对全球多语种场景专项优化。据官方数据，Qwen-Audio-3.0-TTS 系列在 16 种语言中有 10 种取得最佳 WER/CER 表现，Flash 版平均 WER/CER 低至 3.87、Plus 版为 3.96（评测基于 CV3-Eval multilingual benchmark，官方自测）。
• 音色还原能力强： 官方数据显示，Plus 版在全部 16 种语言的说话人相似度（SS）上均排名第一，平均达 82.75；Flash 版为 80.44（评测基于 CV3-Eval multilingual benchmark，官方自测）。
• 20 种中文方言： 通过更高质量方言数据与专门的方言强化训练阶段，缓解通用语音强化学习中的"方言特色弱化"问题，支持广东、重庆、东北、甘肃、贵州、浙江、河北、河南、湖北、湖南、江西、宁波、宁夏、青岛、陕西、山西、山东、上海、四川、云南等 20 种方言，在韵律、声调和口语化表达上更接近母语者。
• Free-style 自由指令： 支持用自然语言直接"导演"声音，无需专业声学或标注知识，即可通过自然语言定义情绪、角色、场景、语速等维度，并支持上下文驱动的语气选择——同一句文本在不同场景下可读出不同情绪。
• 细粒度标签控制： 可在文本中直接嵌入 [gasp]（吸气）、[giggles]（轻笑）、[angry]（愤怒）等结构化标签，对语气、情绪和呼吸类细节进行精准调控，支持耳语、笑场、情绪转折等表达，标签可灵活组合构建复杂情感。
• 复杂声学鲁棒性： 通过真实声学仿真训练将语音增强能力原生注入复刻流程，在高混响、高噪声等复杂环境下自动"过滤干扰、保留音色"，即使参考音频条件不佳，合成语音依然保持高质量。
• 双版本与长音频： Flash 首包延迟约 300ms 适配实时交互，Plus 侧重高质量生成；音频输出品质从 24kHz 跃升至 48K，单次语音合成支持长达 3 分钟，满足长文本播报需求。

Qwen-Audio-3.0-TTS的适用场景

• 有声书与数字人： 自然语言指令与标签控制配合，实现同一文本内多情绪、多角色的表达切换，一人可分饰多角，声音更接近真实说话，适合有声书、播客和数字人口播。
• 游戏与影视配音： 细粒度标签精确到呼吸和情绪转折，适合需要精确控制非语言细节的叙事、游戏和影视配音场景。
• 实时语音交互： Flash 版本约 300ms 首包延迟，适合智能助手、实时语音对话、客服语音等对延迟敏感的场景，角色化表达可覆盖电台主持、心理咨询、科幻 AI 等风格。
• 出海与下沉市场： 16 种语言加 20 种方言覆盖，兼顾出海多语种业务与下沉市场的本地化听觉体验。
• 复杂环境语音克隆： 抗噪与抗混响能力，让开发者可基于普通录音条件下采集的参考音频复刻音色。

Qwen-Audio-3.0-TTS的产品定价

Qwen-Audio-3.0-TTS Flash 与 Plus 两款模型通过阿里云百炼平台按调用计费，具体价格以阿里云百炼官网为准。

如何使用Qwen-Audio-3.0-TTS

1. 开通百炼服务： 登录阿里云百炼平台，开通模型服务并获取 API Key。
2. 选择模型版本： 根据场景选择 Flash（实时交互）或 Plus（高质量生成）版本。Plus 直达：bailian.console.aliyun.com/.../qwen-audio-3.0-tts-plus；Flash 直达：bailian.console.aliyun.com/.../qwen-audio-3.0-tts-flash
3. 编写合成文本： 用 Free-style 自然语言指令定义情绪、角色、场景、语速，或在文本中插入 [gasp]、[giggles]、[angry] 等标签控制细节，并指定语言、方言与音色。
4. 调用 API 生成： 通过 DashScope SDK 或 API 调用模型，获取合成音频，支持流式与非流式输出。
5. 集成到业务： 将生成音频接入有声书、数字人、游戏、影视配音、语音助手等业务流程。

常见问题

Q：Qwen-Audio-3.0-TTS Flash 和 Plus 有什么区别？

A：Flash 面向实时交互，首包延迟约 300ms，适合智能助手、实时语音对话等低延迟场景；Plus 面向高质量生成，在自然度和音色还原度上表现更佳，且在 Artificial Analysis 榜单中夺冠，适合有声书、配音等对质量要求高的内容制作。

Q：它是开源模型吗？

A：本次发布的 Qwen-Audio-3.0-TTS Flash 与 Plus 是通过阿里云百炼平台调用的闭源 API 模型。此前 Qwen 团队曾在 2026 年初开源过 Qwen3-TTS 系列，两者是不同产品线，请注意区分。

Q：Free-style 指令和标签控制有什么区别？

A：Free-style 是用自然语言整体描述想要的情绪、角色、场景和语速，无需专业知识；标签控制是在文本具体位置嵌入 [gasp]、[giggles]、[angry] 等结构化标记，精确到某个词句的呼吸和情绪细节。两者可配合使用，前者定基调、后者抠细节。

Q：支持哪些语言和方言？

A：覆盖中文、英文、日语、韩语、德语等 16 种语言，中文方言支持广东、重庆、东北、甘肃、贵州、浙江、河北、河南、湖北、湖南、江西、宁波、宁夏、青岛、陕西、山西、山东、上海、四川、云南共 20 种。

Q：48kHz 音质和方言音色现在都能用吗？

A：部分方言、小语种精品音色及 48K 高清音频输出正在阿里云百炼平台陆续上线中，其中 48K 功能预计于 2026 年 7 月 24 日正式开放，具体以控制台实际展示为准。

Q：语音克隆需要很干净的录音吗？

A：不需要。新模型通过真实声学仿真训练，将语音增强融入复刻流程，在高混响、高噪声环境下也能过滤干扰、保留目标音色。