据悉，阿里巴巴发布了语音合成大模型Qwen-Audio-3.0-TTS。该模型在细粒度标签控制、指令遵循、多语种方言覆盖及声学鲁棒性方面均有提升，包含面向实时交互的Flash版本和面向高质量生成的Plus版本。目前，Plus版本已在全球权威榜单中斩获冠军。
新模型在细粒度控制上实现跃迁，用户可通过在文本中嵌入结构化标签来精确控制发音细节，适用于叙事、游戏等场景。它覆盖了16种语言和20种方言，并通过方言强化训练确保发音地道。
该模型增强了在嘈杂环境下的语音克隆能力，并提升了音频输出质量至48kHz，单次合成可长达3分钟。目前，两款模型已在阿里云百炼平台开放调用。
