首包延迟300ms、支持20种方言:通义千问Qwen-Audio-3.0-TTS正式开放

阿里通义千问Qwen-Audio-3.0-TTS Plus版在Speech Arena全球第一，Flash版首包延迟300ms

阿里通义千问团队的新模型Qwen-Audio-3.0-TTS，让语音合成从“能说话”一下子蹦到“会表达”——有开发者发现，它的Plus版本在Artificial Analysis的Speech Arena榜单上把Gemini3.1TTS、ElevenLabs v3等主流模型全压了下去，拿了全球第一。

双版本分工

这次放出的有两个版本：Flash版主打实时交互，首包延迟大概300ms（就是速度快到基本感觉不到停顿），适合做智能助手那种低延时场景；Plus版则专攻高质量生成，自然度和音色还原度更好（群里有人试了说，听感确实更接近真人）。

四大狠活

群里在传这个模型有四个硬核能力：

1. 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到82.75（满分100，这个分数在行业里排第一）；同时还能说20种中文方言，不像别的方言模型那样越来越像普通话，而是更贴近母语者。
2. Free-style自然语言指令——你不需要懂专业标注，直接说“用温柔客服语气”或者“带货主播风格”，它就能给你生成对应的语音（有开发者试了说，连“阴阳怪气”都能模仿，很准）。
3. 细粒度标签控制——比如你在文本里加[gasp]（喘气）或[angry]（生气）这种标签，它能精确控制呼吸、笑声这些小细节，适合做游戏、有声书。
4. 复杂声学鲁棒性强——就算你给的参考音频有很高的噪音和混响，它也能自动过滤掉杂音、保留住原始音色，合成质量照样稳定（开发者反馈说，录音环境差也不怕）。

音色库与开放时间

还配了一套精品音色库，覆盖指令、方言、小语种等多种音色，支持48K高清音频输出（预计7月24日才能用，现在还没开放），单次合成最多能处理3分钟的长文本。

现在模型已经在阿里云百炼平台开放了，开发者可以直接去试用。接下来可以盯着看，其他大厂会不会也跟进自然语言指令控制这种玩法——这会让那些收费的语音合成服务商（比如ElevenLabs）挺难受的，因为阿里这个不仅免费还更灵活。