大模型厂商在语音赛道的军备赛，又多了一名重量级选手。 7 月 20 日，千问正式发布语音合成大模型Qwen-Audio-3.0-TTS，把说话这件事的控制权，从繁琐的参数配置交还到了一句自然语言指令手里。
这款新模型最鲜明的标签是Free-style自然语言指令控制。过去要让AI念出某种语气、节奏或风格，往往得在后台调一堆工程参数；如今用户只需用日常语言描述想要的效果，模型就能照着指令把声音合成出来，门槛被大幅削平。
更关键的是，千问为不同场景准备了两副面孔。面向实时交互的Flash版本，把首包延迟压到了 300 毫秒级别，这个量级意味着对话里的语音响应几乎感觉不到停顿，足够撑起实时问答、语音助手这类对延迟极度敏感的现场；面向高质量生成的Plus版本，则把火力集中在音质与表现力上，主攻有声书、配音、内容创作等需要细腻声音质感的任务。一条产品线，同时覆盖了快和好两条原本相互拉扯的需求曲线。
当自然语言成了控制语音的遥控器，千问这一步，把语音合成从工程活儿又往普通人的工具箱里推进了一格。
来源：千问甩出语音合成大模型Qwen-Audio-3.0-TTS：自然语言直接指挥，实时版首包延迟压进 300 毫秒 | AIbase
2026-07-21 12:06
