阿里千问发布语音合成大模型：自然语言指令即可控制语音风格

阿里千问于7月20日正式推出语音合成大模型Qwen-Audio-3.0-TTS，将语音合成的控制权从复杂的参数配置转向自然语言指令，降低了用户使用门槛。

该模型的核心亮点在于Free-style自然语言指令控制。以往，用户若想让AI以特定语气、节奏或风格输出语音，需要调整大量工程参数；而现在，只需用日常语言描述需求，模型即可生成对应风格的语音。

Qwen-Audio-3.0-TTS提供两个版本以适应不同场景。Flash版本面向实时交互场景，首包延迟控制在300毫秒以内，适用于实时问答、语音助手等对响应速度要求较高的应用；Plus版本则侧重音质与表现力，面向有声书、配音、内容创作等需要精细声音质感的任务。

此次发布意味着语音合成技术进一步向普通用户工具化迈进，自然语言成为操控语音的新方式。