阿里通义实验室发布Qwen-Audio-3.0-TTS：支持16种语言的文本转语音模型

阿里通义实验室发布Qwen-Audio-3.0-TTS，支持16种语言的文本转语音模型，提供Flash和Plus两个版本。

• Flash版本针对实时交互，首包延迟约300毫秒；Plus版本追求高质量生成，在自然度和音色保真度上更优。
• 模型采用12.5Hz低帧率语音分词器，降低自回归解码成本；五阶段渐进训练范式提升内容一致性和韵律自然度。
• 支持最长3分钟的一次性合成，以及语音克隆、声音设计、指令控制等功能。
• 输出格式包括PCM、WAV、MP3、Opus，最高48kHz采样率，通过WebSocket流式协议调用。
• Plus版本在独立评测中排名第一，覆盖阿拉伯语、中文、英语等16种语言。
• 影响/看点：Qwen-Audio-3.0-TTS在实时性和质量上取得平衡，多语言支持将推动AI语音助手全球化。

本内容由 AI 生成，仅供参考，请注意甄别