7月20日，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、指令遵循、多语种覆盖及声学鲁棒性等方面实现系统性提升。

在全球第三方权威榜单Artificial Analysis中，Qwen-Audio-3.0-TTS-Plus斩获冠军，Elo评分达1237。该模型支持在文本中嵌入[gasp]、[giggles]等结构化标签，对语气、情绪和呼吸细节进行精准调控。音频输出从24KHz提升至48KHz，单次语音合成可达3分钟。

模型覆盖中、英、日、韩、德等16种语言，并支持广东、重庆、东北、上海、四川、云南等20种方言。配套音色库将陆续上架指令风格、方言及多语种音色。