近日，阿里通义千问团队正式发布新一代实时语音合成模型Qwen-Audio-3.0-TTS，推动语音合成从“能说话”迈向“会表达”。其Plus版本已在全球权威榜单Artificial Analysis的Speech Arena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版主打实时交互，首包延迟约300ms，适配智能助手等低延时场景;Plus版聚焦高质量生成，自然度与音色还原度更优。
一是多语种与方言覆盖升级，支持16种语言，Plus版在全部16种语言上的平均说话人相似度达82.75，位列行业第一;同时支持20种中文方言，避免“方言特色弱化”问题，更贴近母语者表达。
二是支持Free-style自然语言指令，无需专业标注，用“温柔客服语气”“带货主播风格”等自然语言即可精准生成对应语音。
三是细粒度标签控制，支持[gasp]、[angry]等结构化标签，可精确调控呼吸、笑声等非语言细节，适配游戏、有声书等场景。
四是复杂声学鲁棒性强，即便参考音频存在高噪声、高混响，也能自动过滤杂音、保留音色，合成质量稳定。
配套精品音色库覆盖指令、方言、小语种等多类音色，支持48K高清音频输出（预计7月24日开放），单次合成最长支持3分钟长文本。目前模型已在阿里云百炼平台全面开放，开发者可接入体验，共同探索语音交互新可能。
阿里通义千问Qwen3.7系列两款预览模型悄然上线，定位明确：Max-Preview为旗舰级“大脑”，主打综合性能天花板，目前仅开放思考模式；Plus-Preview为均衡型选择。两款模型将在5月20日阿里云峰会正式官宣。
小米发布MiMo-V2.5全链路语音模型系列，包括三款TTS模型和一款开源ASR模型，覆盖语音输入与输出。TTS模型能精准调度情绪、语气和角色身份，让声音可编程、可创作、可复刻，提升人机交互自然度，开启语音智能新纪元。
肯德基推出AI点餐助手“小K”，基于阿里通义千问大模型，结合RAG技术，实现自然语言理解和多轮对话。用户可直接输入需求，如“10人开会、预算350元”，系统将智能推荐套餐，简化点餐流程，提升体验。
微信拦截腾讯元宝红包链接，用户需复制网址到浏览器打开，影响便捷性。正值春节红包大战关键期，此举引发关注。
微盟推出“AI试衣”解决方案，通过自研模型和行业知识库，实现高度还原的虚拟试穿，旨在解决服饰电商消费者决策难、退换货率高的痛点，以技术重塑零售体验。
关注 “悠AI” 更多干货技巧行业动态
相关文章
