7月20日消息，阿里千问正式发布语音合成大模型Qwen-Audio-3.0-TTS。新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。

据了解，新模型在细粒度标签控制、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实现系统性提升，让合成语音从“能说话”走向“会表达”。

此外，该模型支持在文本中嵌入结构化标签，可对语气、情绪进行精准调控。并配备精品音色库，单次语音合成可达3分钟，覆盖16种语言以及20种方言。