通义实验室发布Qwen-Audio-3.0-TTS实时语音合成模型

通义实验室发布Qwen-Audio-3.0-TTS语音合成模型，包含Flash和Plus两个版本。Flash版本首包延迟约300毫秒，Plus版本在Artificial Analysis评测榜单中排名第一。该模型支持16种语言和20种中文方言，Flash版本的平均词错误率/字符错误率低至3.87，Plus版本的说话人相似度最高达82.75。

相比此前TTS模型，Flash版本实现了约300毫秒的首包延迟，大幅降低实时交互的等待时间；Plus版本在客观指标上达到行业领先水平，且支持多语言与方言，显著扩展了应用边界。

低延迟Flash版本可嵌入语音助手、客服机器人等实时场景，提升用户体验；Plus版本的高说话人相似度利于虚拟主播、有声内容生成等个性化需求；多方言支持有助于本地化产品开发。

• 集成Flash版本到在线教育产品，实现低延迟语音问答互动
• 利用Plus版本为品牌打造专属语音形象，用于宣传片或智能设备
• 基于方言支持开发地方文化特色的语音交互应用

• Qwen-Audio-3.0-TTS是否开源或提供公开API？
• Flash与Plus版本在复杂噪声环境下的实际表现如何？
• 该模型的生产部署成本与推理资源需求是多少？
• 是否支持情感或语气控制等高级语音调节功能？