TTS，登顶TTS排行榜

核心亮点

阿里通义千问推出最新文本转语音模型 Qwen-Audio-3.0-TTS，并一举登顶 Artificial Analysis TTS 排行榜。该模型提供 Flash（实时交互）和 Plus（高质量生成）两个版本，覆盖从低延迟对话到高保真有声内容的完整需求。简单来说，千问这次把“可控”和“好听”同时做到了开源阵营难以企及的水位，对外直接叫板国际一线 TTS 厂商。

具体能力或事件经过

新模型的能力亮点集中在细粒度控制。它支持内联标签控制，开发者可以在文本中直接插入【whisper】（耳语）、【angry】（愤怒）等情绪与形态标签，让同一段文字按指定语气发声。更实用的是自然语言风格控制：用户用一句“用温柔的老年女声读”，模型就能理解并执行，而不必钻研复杂的参数。官方表示，模型支持 16 种语言，且单次可生成最长 3 分钟的长音频，足以覆盖播客片段、有声书章节等真实生产场景。

技术细节

Flash 版本面向实时交互，强调低延迟与流式输出，适合智能体语音对话、实时字幕配音等场景；Plus 版本则追求高保真与自然度，面向有声内容制作。内联标签与自然语言风格控制并存，意味着既可以让工程师精确编排，也可以让普通用户用白话描述。多语言与长音频能力的结合，则降低了跨语种内容生产的门槛，对出海应用尤其友好。

与竞品对比

在 TTS 这个赛道，国际厂商长期在自然度与多语言上领先。Qwen-Audio-3.0-TTS 登顶 Artificial Analysis 排行榜，说明国产模型在主观听感与客观指标上已经具备正面竞争力。相比只提供“固定几个音色”的同类产品，它的细粒度标签加自然语言控制组合，给了内容生产者更大的表达自由度，也更贴合智能体需要“带情绪说话”的新需求。

行业影响或适用场景

说白了，TTS 正在从“把字念出来”升级为“像人一样演出来”。这款模型适合有声书、短视频配音、智能体语音交互、客服播报等场景，尤其是需要批量、稳定、可控输出的团队。随着智能体成为入口，能自然表达情绪的语音能力会变得像文本生成一样基础，而登顶排行榜也为后续商业化与生态接入打开了空间。