近日，阿里通义千问团队正式发布新一代实时语音合成模型Qwen-Audio-3.0-TTS，推动语音合成从“能说话”迈向“会表达”。其Plus版本已在全球权威榜单Artificial Analysis的Speech Arena中斩获全球第一，综合表现超越Gemini3.1TTS、ElevenLabs v3等主流模型。
本次发布包含双版本:Flash版主打实时交互，首包延迟约300ms，适配智能助手等低延时场景;Plus版聚焦高质量生成，自然度与音色还原度更优。
一是多语种与方言覆盖升级，支持16种语言，Plus版在全部16种语言上的平均说话人相似度达82.75，位列行业第一;同时支持20种中文方言，避免“方言特色弱化”问题，更贴近母语者表达。
二是支持Free-style自然语言指令，无需专业标注，用“温柔客服语气”“带货主播风格”等自然语言即可精准生成对应语音。
三是细粒度标签控制，支持[gasp]、[angry]等结构化标签，可精确调控呼吸、笑声等非语言细节，适配游戏、有声书等场景。
四是复杂声学鲁棒性强，即便参考音频存在高噪声、高混响，也能自动过滤杂音、保留音色，合成质量稳定。
配套精品音色库覆盖指令、方言、小语种等多类音色，支持48K高清音频输出（预计7月24日开放），单次合成最长支持3分钟长文本。目前模型已在阿里云百炼平台全面开放，开发者可接入体验，共同探索语音交互新可能。
