7月20日，千问大模型宣布正式发布语音合成大模型Qwen-Audio-3.0-TTS，包含面向实时交互的Flash版本（首包延时300ms级别）和面向高质量生成的Plus版本。

据介绍，新模型在细粒度标签控制、freestyle指令遵循、多语种与方言覆盖以及复杂声学鲁棒性等方面实现系统性提升，让合成语音从“能说话”走向“会表达”。

Qwen-Audio-3.0-TTS支持在文本中嵌入结构化标签，用户可直接对语气、情绪细节进行精准调控。

此外，Qwen-Audio-3.0-TTS支持Free-style自然语言指令控制。用户可直接用自然语言描述角色、情绪、场景和语速，无需掌握专业声学或标注知识，即可灵活定义情绪、角色、场景、语速等维度。

目前，Qwen-Audio-3.0-TTS-Plus覆盖16种语言以及20种方言。