阿里千问新语音模型能通过标签控制语气情绪，支持16种语言和20种方言，48KHz音质，试试让语音笑或生气。
阿里千问发布语音合成大模型Qwen-Audio-3.0-TTS，包含Flash（首包延时300ms级别）和Plus两个版本。在Artificial Analysis全球榜单中，Qwen-Audio-3.0-TTS-Plus位列第一。模型支持在文本嵌入[gasp]、[giggles]等结构化标签精细控制语气情绪。覆盖中、英、日、韩、德等16种语言及20种方言，音频输出提升至48KHz，单次合成可达3分钟。
位列 Artificial Analysis 榜首，阿里千问发布语音合成大模型 Qwen-Audio-3.0-TTS
IT之家 7 月 20 日消息，阿里千问今日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。 官方表示，新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，让合成语音从“能说话”走向“会表达”。在全球第三方权威榜单 Artificial Analysis，Qwen-Audio-3.0-TTS-Plus 斩获冠军 。 据介绍，Qwen-Audio-3.0-TTS 支持在文本中嵌入 结构化标签 ，用户可直接在文本里嵌入 [gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）这类标记，直接对语气、情绪和 breath 类细节进行精准调控。 此外，该模型配套开箱即用的 精品音色库 ，将模型在多语种、多方言、指令控制和细粒度表达上的能力沉淀为可直接调用的音色资源，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+ 小语种音色。并将音频输出从提升 24KHz 到 48KHz，相当于从电话和普通语音助手的品质提升到录音棚、影视配音的规格， 单次语音合成可达 3 分钟 。 面向全球多语种场景，Qwen-Audio-3.0-TTS-Plus 进行了专项优化，覆盖中、英、日、韩、德等 16 种语言 ，新增阿拉伯、越南、马来、菲律宾语；并支持广东、重庆、东北、陕西、上海、四川、云南等 20 种方言 。 Qwen-Audio-3.0-TTS 现已全面开放，IT之家附链接： Plus 版本： https://bailian.console.aliyun.com/cn-beijing ?tab=model# /model-market/detail/qwen-audio-3.0-tts-plus Flash 版本： https://bailian.console.aliyun.com/cn-beijing ?tab=model# /model-market/detail/qwen-audio-3.0-tts-flash