通义千问发布Qwen-Audio-3.0-TTS，登顶TTS排行榜

阿里通义千问推出最新文本转语音模型Qwen-Audio-3.0-TTS，提供Flash（实时交互）和Plus（高质量生成）两个版本。新功能包括细粒度内联标签控制（如【whisper】、【angry】）、自然语言风格控制、支持16种语言，以及一次生成长达3分钟的长文本。该模型目前在Artificial Analysis TTS排行榜上排名第一。

相比此前TTS模型，Qwen-Audio-3.0-TTS首次同时支持实时与高质量双版本，引入细粒度情感/动作标签（如耳语、生气）和自然语言风格控制，可一次生成3分钟长文本，并覆盖16种语言，综合能力获得第三方排行榜第一，显著降低了语音合成的使用门槛。

内联标签允许用户在文本中嵌入情感或动作指令，模型据此调整语调与语速；自然语言风格控制则通过指令式输入（如“用欢快的语气”）实现风格适配。Flash版本优化推理延迟以支持实时交互，Plus版本牺牲速度换取更高音质，两者覆盖不同场景。多语言能力通过统一语言模型实现。

集成该模型的语音产品可立即获得情感可控、多语言、长文本的TTS能力，提升用户体验。Flash版本适合语音助手、实时对话场景；Plus版本适合有声书、视频配音等离线高质量生成。开发者无需自行训练，可直接调用API或模型，降低开发成本。

• 在客服机器人中集成Flash版本，实现带情感反馈的实时语音回复
• 使用Plus版本为有声书平台自动生成多语言长音频，支持角色内联标签区分对话角色
• 开发视频配音工具，通过内联标签控制语气与动作，匹配画面情绪
• 为教育产品提供多语言TTS，利用自然语言风格控制调整朗读节奏（如慢速、鼓励语气）

• Qwen-Audio-3.0-TTS的模型参数量与部署门槛如何？
• 排行榜Artificial Analysis TTS的评测指标具体包括哪些维度？
• 该模型是否开源或提供免费API额度？
• 与其他主流TTS（如VoiceBox、NaturalSpeech 3）相比，在延迟和自然度上差异多大？