阿里甩出“配音”神器：能調整情緒，還會說方言

智東西
作者 楊京麗
編輯 李水青

智東西7月20日報道，今天，千問大模型發布語音合成大模型Qwen-Audio-3.0-TTS，包含面向實時交互的Flash版本（首包延時300ms級別）和面向高質量生成的Plus版本。

模型在細粒度標簽控制、freestyle指令遵循、多語種與方言覆蓋以及復雜聲學魯棒性等方面實現系統性提升。目前，Qwen-Audio-3.0-TTS-Plus在第三方評測機構Artificial Analysis的Speech Arena語音合成榜單中居于第一，Elo得分為1237。

▲Qwen-Audio-3.0-TTS-Plus在語音合成榜單中排名第一（圖源：Artificial Analysis）

阿里還將陸續上線指令風格音色、20種方言音色、細粒度控制音色及14種以上小語種音色，供開發者直接調用。在輸出規格方面，Qwen-Audio-3.0-TTS將音頻采樣率從24kHz提高至48kHz，單次語音合成最長可達3分鐘。

目前，Qwen-Audio-3.0-TTS-Plus和Flash版本均已在阿里云百煉開放。

Qwen-Audio-3.0-TTS-Plus：

https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-plus?serviceSite=asia-pacific-china

Qwen-Audio-3.0-TTS-Flash：

https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-flash?serviceSite=asia-pacific-china

一、文本里插入標簽，模型可調節語氣、情緒、呼吸等

細粒度標簽控制是Qwen-Audio-3.0-TTS此次升級的重點之一。用戶可以在文本中直接插入結構化標簽，嵌入[gasp]（抽氣）、[giggles]（輕笑）、[angry]（憤怒）等這類標記，可以調節語氣、情緒和呼吸等細節。

官方也給出了相關的案例，在一段飛船事故相關臺詞前加入[angry]標簽后，模型會以憤怒語氣合成后續內容。

合成文本：[angry]你們竟然私自切斷了主控系統的能源！知不知道防護罩一旦失效，整艘飛船的人都會化為灰燼？這就是你們所謂的‘為了大局’嗎！簡直是不可理喻！

參考音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7a6e2862_6a5df7a6df376_6a5df7a6df347_1.mp3

合成音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7a95e1b8_6a5df7a959e24_6a5df7a959df0_02.mp3

根據文本提示，模型在生成的音頻中加入了憤怒的語氣，角色的質問感和緊迫感隨臺詞逐步增強。

此外，用戶也可以通過輸入指令，要求模型在說話過程中笑出聲。

指令：說到一半忍不住撲哧笑出聲

合成文本：你說的這個事啊，我都聽過好幾遍了，撲哧——還是覺得好笑。

合成音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7aa5a583_6a5df7aa56dd7_6a5df7aa56dad_03.mp3二、自由指令控制，可直接用自然語言描述

除結構化標簽外，Qwen-Audio-3.0-TTS還支持Free-style自然語言指令控制。用戶可以直接用自然語言描述角色、情緒、場景和語速，不需要單獨調整專業音頻參數。

官方給出了下面這幾個案例：

指令：你是一位年輕女性小學老師，正在課堂上耐心地給一年級學生復述拼音規則。語速很慢，每一個發音都示范一遍，語調上揚帶笑意。

合成文本：我們再來讀一次，j、q、x這三個聲母后面如果跟著u，那個u上的兩點要去掉。你跟老師一起讀，j——u——ju。

參考音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7b047763_6a5df7b043e16_6a5df7b043deb_05.mp3

合成音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7b300305_6a5df7b2efd27_6a5df7b2efcfa_06.mp3

模型會按照這段指令合成對應的課堂講解錄音。類似方式也可以用于旁白、角色配音、有聲內容和語音助手等場景。

指令：你是懸疑劇旁白，屏住呼吸把緊張感一層層疊上去。

合成文本：那天夜里下著大雨，林晚一個人坐在書房里。窗外的雷聲一陣接一陣，燈光忽明忽暗。她忽然聽見樓下傳來了腳步聲——緩慢、沉重，像是有人在故意壓低聲響。她屏住呼吸，手指緊緊抓住椅子的扶手。腳步聲越來越近，最終停在了書房門口。門把手輕輕地，轉動了一下。

合成音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7ac48ee7_6a5df7ac45300_6a5df7ac452d8_04.mp3

從合成效果來看，旁白語速較為急促，營造出明顯的緊張感，讓人仿佛置身故事場景之中。如果有聲小說采用這種能夠隨情節調整節奏和情緒的配音，聽眾的沉浸感和代入感也會更強。

三、覆蓋16種語言，10種語言字詞錯誤率最低

Qwen-Audio-3.0-TTS-Plus覆蓋中文、英語、日語、韓語、德語等16種語言，新增了阿拉伯語、越南語、馬來語和菲律賓語。

根據官方公布的CV3-Eval多語種測試結果，目前，Qwen-Audio-3.0-TTS在16種語言的詞或字錯誤率評測中，Qwen-Audio-3.0-TTS系列在10種語言中排名第一，其中韓語和馬來語的領先幅度較大。

在16種語言的說話人相似度評測中，Qwen-Audio-3.0-TTS-Plus取得全部16項最優成績，Flash版本取得其中15項第二。馬來語、西班牙語和阿拉伯語的提升較為明顯。

四、支持20種中文方言，強化韻律和聲調訓練

中文方言方面，Qwen-Audio-3.0-TTS目前支持廣東話、重慶話、東北話、陜西話、上海話、四川話和云南話等20種方言。千問稱，新模型使用了更多方言數據，并增加了方言強化訓練階段，讓模型在韻律、聲調與口語表達上接近母語者，減少通用語音強化學習過程中可能出現的方言特征減弱問題。

用戶可以通過自然語言指令指定輸出方言。例如，輸入“輸出上海話”，模型即可根據后續文本合成上海話語音。

指令：

輸出上海話：屋里向裝修真個是煩人，天天敲墻壁，聲音響得來！灰塵落得一塌糊涂，真想快點弄清爽。

合成音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7b988f87_6a5df7b98456e_6a5df7b984538_08.mp3五、噪聲和混響環境下，仍具備較強聲音復刻能力

聲音復刻通常需要使用較為清晰的參考錄音，但實際獲得的音頻中可能包含背景噪聲或混響。

Qwen-Audio-3.0-TTS加入了真實聲學環境仿真訓練，將語音增強能力用于聲音復刻流程。官方稱，在參考音頻存在較高噪聲或混響的情況下，模型可以過濾部分環境干擾，并提取說話人的音色。

合成文本：聽到這首歌的時候，突然想起很多年前的夏天。

參考音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7baa4948_6a5df7baa0ef8_6a5df7baa0ece_09.mp3

合成音頻：

//oss.zhidx.com/uploads/2026/07/6a5df7bcc77e7_6a5df7bcc2839_6a5df7bcc280e_10.mp3結語：語音合成增強語氣、情緒等控制能力

從此次升級來看，Qwen-Audio-3.0-TTS提高了對于語氣、情緒、呼吸和角色風格的控制能力。結構化標簽適合調節具體位置的表達效果，自然語言指令則能對角色、場景和語速進行整體描述，多語種、方言及復雜聲學環境下的聲音復刻能力也得到擴展。

隨著Plus和Flash版本在阿里云百煉開放，這些能力將進入更多實際應用場景，為旁白、角色配音、有聲內容和語音助手提供更多配音方案。