2026-07-22 09:04
千问甩出语音合成大模型Qwen-Audio-3.0-TTS：自然语言直接指挥，实时版首包延迟压进 300 毫秒
文本核心速览
- 自由风格自然语言控制—Qwen-Audio-3.0-TTS 主打Free-style自然语言指令控制，用户仅需日常语言描述语气、节奏和风格，无需调整工程参数，极大简化语音合成操作门槛。
- Flash版：300毫秒首包延迟—面向实时交互的Flash版本将首包延迟压缩至300毫秒级别，语音响应几乎无停顿，适合实时问答、语音助手等对延迟敏感的现场场景。
- Plus版：高质量细腻音质—面向高质量生成的Plus版本专注音质与表现力，主攻有声书、配音、内容创作等需要细腻声音质感的任务，满足高品质需求。
- 双版本覆盖快与好—一条产品线同时覆盖Flash（低延迟）和Plus（高质量）两个版本，平衡实时交互与精细表现力，满足原本相互拉扯的不同需求曲线。
千问Qwen-Audio-3.0-TTS：自然语言指令直接控制语音合成，首包延迟压到300毫秒
7月20日，千问上线语音合成大模型Qwen-Audio-3.0-TTS，用户用一句日常语言就能指定语气、节奏和风格，不再需要去后台调一堆工程参数。
自然语言指令控制
这款新模型最鲜明的标签是Free-style自然语言指令控制。过去要让AI念出某种语气、节奏或风格，往往得在后台调一堆工程参数；如今用户只需用日常语言描述想要的效果，模型就能照着指令把声音合成出来，门槛被大幅削平。
两个版本覆盖快与好
有开发者在群里试了说，千问为不同场景准备了两副面孔。面向实时交互的Flash版本，把首包延迟压到了300毫秒级别，这个量级意味着对话里的语音响应几乎感觉不到停顿，足够撑起实时问答、语音助手这类对延迟极度敏感的现场；面向高质量生成的Plus版本，则把火力集中在音质与表现力上，主攻有声书、配音、内容创作等需要细腻声音质感的任务。一条产品线，同时覆盖了快和好两条原本相互拉扯的需求曲线。
当自然语言成了控制语音的遥控器，千问这一步，把语音合成从工程活儿又往普通人的工具箱里推进了一格。
接下来盯着看：其他厂商会不会快速跟进自然语言控制语音合成，以及千问这个模型在真实对话场景中能否真正替代传统TTS——毕竟延迟300毫秒只是实验室数据，实际网络抖动下还能不能撑住。
来源: aibase阅读原文