2026年7月20日，阿里巴巴发布语音合成大模型Qwen-Audio-3.0-TTS，在全球第三方权威榜单Artificial Analysis中斩获冠军。新模型通过细粒度标签控制、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的系统性提升，让合成语音从"能说话"走向"会表达"，标志着AI语音合成正式进入"表演时代"。

细粒度控制：从情绪到呼吸

Qwen-Audio-3.0-TTS在上一代freestyle模式基础上实现关键跃迁。用户现在可直接在文本中嵌入结构化标签——例如[gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）——将控制精度从整段情绪细化到"哪个字后面该倒吸一口气"。这种细粒度控制能力适用于叙事、游戏、配音等需要精确表达细节的专业场景。模型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，音频输出从24kHz提升至48kHz，达到录音棚和影视配音规格，单次语音合成可长达3分钟。

多语种与方言全面覆盖

在全球化场景方面，Qwen-Audio-3.0-TTS覆盖中、英、日、韩、德等16种语言，新增阿拉伯语、越南语、马来语和菲律宾语。CV3-Eval基准测试显示，在16种语言的词错误率评测中，该家族在10种语言中取得最优，韩语和马来语领先幅度最大；在说话人相似度评测中，Plus版本包揽全部16种语言第 一。针对方言痛点，团队专门设计方言强化训练，覆盖广东、重庆、东北、陕西、上海、四川、云南等20种方言，让模型在韵律、声调与口语表达上接近母语者水平。模型还在高噪声、高混响条件下具备语音增强能力，可从嘈杂环境中精确提取目标音色。