阿里千问发布语音合成大模型 Qwen-Audio-3.0-TTS，登顶 Artificial Analysis 榜首

阿里千问发布 Qwen-Audio-3.0-TTS，在语音合成领域实现从“能说话”到“会表达”的跨越，登顶 Artificial Analysis 榜首。

• 模型提供 Flash（首包延时 300ms）和 Plus 两个版本，分别面向实时交互和高质量生成。
• 支持结构化标签，如 [gasp]、[giggles]、[angry]，可精确控制语气、情绪和呼吸细节。
• 覆盖 16 种语言和 20 种方言，在 CV3-Eval 多语种测试中，10 种语言词错误率最优，Plus 版说话人相似度全胜。
• 音频输出提升至 48kHz，单次合成可达 3 分钟，并配备精品音色库，支持噪声环境下的语音克隆。
• 影响/看点：该模型将语音合成带入“表演时代”，为游戏、配音、客服等场景提供前所未有的细腻表达，有望加速 AI 语音在创意产业的落地。

本内容由 AI 生成，仅供参考，请注意甄别