阿里通义千问团队发布新一代实时语音合成模型Qwen-Audio-3.0-TTS。其中Plus版本在Artificial Analysis的Speech Arena榜单中斩获全球第一，综合表现超越Gemini3.1TTS、ElevenLabs v3等主流模型。本次发布包含双版本：Flash版首包延迟约300ms，适配实时交互场景；Plus版聚焦高质量合成，自然度与音色还原更优。核心能力四大突破：1.多语种与方言覆盖，支持16种语言和20种中文方言，Plus版平均说话人相似度达82.75；2.支持Free-style自然语言指令，用日常语气描述即可生成对应语音；3.细粒度标签控制，支持呼吸、笑声等非语言细节；4.复杂声学鲁棒性强，可过滤高噪声参考音频中的杂音。配套提供精品音色库，支持48K高清音频输出（预计7月24日开放），单次合成最长3分钟文本。模型已在阿里云百炼平台开放。