Qwen Audio 3.0 TTS Plus 登顶语音合成榜单

关键信息

该模型支持 16 种语言，包括塔加洛语、马来语、泰语、越南语以及多种中文方言。阿里巴巴还表示，它可以根据自然语言风格指令进行控制，甚至识别如“[angry]”或“[giggles]”这类非语言标签，同时在克隆声音时，对嘈杂或回声较重的参考音频也比早期版本更稳健。

资讯摘要

据报道，阿里巴巴的 Qwen Audio 3.0 TTS Plus 已经在文本转语音排行榜中取得领先。这个版本分为两个型号：Flash 主要面向实时交互，延迟大约为 300 毫秒；Plus 则主要用于生成更高质量的语音。阿里巴巴称，该模型支持 16 种语言，其中包括塔加洛语、马来语、泰语、越南语等覆盖率较低的语言，以及多种中文方言。它还提供更强的语音可控性，用户既可以通过自然语言来调节说话风格，也可以使用像“[angry]”和“[giggles]”这样的标签加入非语言提示。

另一个改进是声音克隆能力增强，尤其是在参考录音存在噪声或回声时表现更好。不过，文章也指出它的速度仍然是短板：Qwen Audio 3.0 TTS Plus 的生成速度只有每秒 16 个字符，明显落后于 Sonic 3.5 和 Simba 3.2 等竞争对手。其价格为每百万字符 27.60 美元，通过 Alibaba Cloud Model Studio 提供。文章还提供了一组音频样本，供读者对比效果。

资讯正文

阿里巴巴的 Qwen Audio 3.0 TTS Plus 在文本转语音排行榜中领先竞争对手

该模型有两个版本。Flash 版面向实时交互，延迟约为 300 毫秒；而 Plus 版则主打高质量语音输出。它支持 16 种语言，包括覆盖较少的语言，如塔加洛语、马来语、泰语和越南语，以及多种中文方言。用户可以用自然语言来引导说话风格，也可以使用诸如“[angry]”或“[giggles]”之类的标签加入非语言提示。阿里巴巴还表示，与此前版本相比，该模型在克隆声音时，对带有噪声或回声较重的参考录音处理得更好。

来源与参考

1. 原始链接
2. Alibaba's Qwen Audio 3.0 TTS Plus tops the competition in the text-to-speech rankings