阿里通义实验室发布Qwen-Audio-3.0-TTS：支持16种语言的Flash和Plus两档托管文本转语音模型

阿里通义实验室近日发布了Qwen-Audio-3.0-TTS，一个面向生产环境的文本转语音（TTS）系统。该模型提供两个变体：Flash针对实时交互优化，首包延迟控制在300毫秒级别；Plus则追求高质量生成，更注重自然度和音色保真度。两个模型均为托管服务，通过阿里云模型工作室以API形式提供，而非可下载的权重文件。

此次发布重点解决了开发者在生产中遇到的四个关键问题：更广泛的语言覆盖、自然语言风格控制、细粒度标签控制，以及参考音频不干净时的鲁棒性。Qwen-Audio-3.0-TTS-Plus还在独立的Artificial Analysis文本转语音排行榜上位列第一。

模型架构方面，研发团队采用了12.5Hz低帧率语音分词器，降低自回归解码成本的同时保留内容和说话人信息。五阶段渐进式训练范式协调了语言模型和流匹配组件，包括独立预训练、高质量数据退火联合训练、强化学习等步骤，显著提升了内容一致性、韵律自然度、语音保真度等指标。模型还支持长达3分钟的单次长文本合成、困难的文本归一化案例以及48kHz输出的声码器超分辨率。

多语言能力覆盖16种语言：阿拉伯语、中文、英语、法语、德语、印尼语、意大利语、日语、韩语、马来语、葡萄牙语、俄语、西班牙语、他加禄语、泰语和越南语，其中7种为新增加的语言。同时支持20种中文方言区域。在多语言可懂度上，该系列在16种语言中的10种取得最佳词/字符错误率（WER/CER），Flash平均WER/CER为3.87，Plus为3.96。说话人相似度方面，Plus以平均82.75分在所有16种语言中排名第一，Flash为80.44。

为了精细控制，研发团队在目标文本中嵌入了86种细粒度内联标签，用于短语和词汇级别的局部控制，覆盖表达性过渡和非语言事件如笑声、呼吸、咳嗽和叹息。控制标签如[excited]、[sad]设置情感或风格，丰富语言标签如[laughing]、[gasp]插入单次声效而不改变周围语调。需要注意的是，这些情感和丰富语言标签仅在单向流模式下支持。

在Artificial Analysis语音竞技场中，Qwen-Audio-3.0-TTS-Plus以约1236的Elo分数占据最高质量位置，略高于Simba 3.2的1234，领先Gemini 3.1 Flash TTS（1214）和Sonic 3.5（1207）。但需要指出的是，与Simba 3.2的差距在置信区间内重叠，因此属于统计上的并列领先。吞吐量方面，Plus每秒约生成16个字符，低于Simba 3.2的30.2等对手。定价为每百万字符27.59美元，约为ElevenLabs和MiniMax同类服务的三分之一。

开发者社区反应谨慎乐观。最受关注的是，一款非西方的TTS模型以远低于现有供应商的价格登顶竞技场。常见的保留意见包括模型仅提供托管服务、吞吐量落后于竞争对手，以及命名与开源Qwen3-TTS系列重叠。

值得注意的是，Qwen-Audio-3.0-TTS与开源权重版本Qwen3-TTS（Apache-2.0许可）是不同的产品线，3.0版本仅通过阿里云模型工作室的API使用。