它能说 20 个地方的方言

这一项对国内读者最好判断真假，因为你多半能听出哪句不对味。给一段方言参考音，让它用同一把嗓子念另一段方言文本。

发布页列出的 20 个方言区覆盖到这个范围：

参考音里有噪声，它也能克隆

现实里能拿到的参考音很少是录音棚水准。用手机在办公室录一段，背景有空调声和键盘声；在会议室录，房间回声压在人声上。这两种情况过去都会让克隆效果塌下来。

旧的处理办法是加一道前置工序：先跑降噪把参考音洗干净，再送进克隆链路。问题是降噪算法在抹掉噪声的同时也会磨掉音色特征，洗得越干净，人声越像被磨过一遍，克隆出来反而不像本人了。

下面这组能听出差别。参考音是一段带明显噪声的中文，三条输出分别来自本模型和对照模型。

发布页测的退化情形有三类：噪声、混响，以及听不清的参考音（电话带宽、高频被切掉那种）。

你可以用大白话指挥它怎么念

控制语气这件事，过去要调一堆声学参数：基频、语速系数、能量包络。这一代给了两层控制，都不用碰参数。

用一句话描述你要的效果

指令可以写得很随意，也可以写得结构化。发布页给的样例里，中文指令有 请用温柔、缓慢的语速，像讲睡前故事一样朗读。 这种日常说法，也有 角色：女性早间电台音乐节目主持。场景：节目开场，气氛活泼但克制。风格：清亮、有亲和力、节奏轻盈。语速：偏快。 这种分条设定；还接受 JSON 写法，例如 {"speed": "fast", "volume": "loud", "rhythm": "urgent"}。

在文本里插标签，控制某一处

指令管的是整段基调，标签管的是具体位置。标签分两种：控制标签设定情绪或风格，从它出现的位置一直生效到下一个控制标签出现，或者到这句话因为太长被自动断开为止；拟声标签在当前位置插一个声音效果，不影响前后的情绪。

[excited]What a beautiful day today![laughing]Let's go out and have fun together!

[serious]Please pay attention to the safety precautions.[excited]Alright, let's get started now!

有一条限制要留意：标签功能只在单向流式模式下可用。单向的意思是文本一次性发过去、音频流式吐回来；如果你要的是边打字边出声那种双向实时对话，标签用不了。

它是怎么做到又快又稳的

让它跑得快的那个部件是上一代留下的，这一代新做的是训练流程。两件事分开看。

一秒钟切成 12.5 块

模型生成语音要分两道工序：先把语音切成一小块一小块的离散单位，再一块一块往外生成，最后还原成声波。切的密度叫帧率。帧率越高，一秒语音要生成的块数越多，生成就越慢；帧率降下来，步数少了，速度自然快。这一代用的是 12.5 Hz，一秒钟切 12.5 块。

每张画面装更多信息，具体是这么装的：每一块上叠 16 层编码，用深度换密度，靠层数把降帧率丢掉的细节接住。这个切分器不是这次才有的，今年 1 月的 Qwen3-TTS 就已经在用，而且当时随模型一起开源了，技术报告里给的首包时间是 97 毫秒。

分五步把损失补回来

降帧率省下的速度，要靠训练流程把内容准确度和音色稳定度补回来。这一代新做的就是这套流程。先分清两个部件：LM 负责根据文字决定该说出哪些语音单位，FM 负责把这些单位还原成能听的声波。一个是照着谱子决定弹哪几个音，一个是真正把音弹出声。

五步的主线是「先各练各的，再接起来一起练，最后回头分别修各自的短板」。前两步打底子，后三步是针对性补课：LM 的短板是念错字和语气僵，FM 的短板是遇到脏参考音就垮、音色还原不够像。

除了这五步，发布页还提到两项配套能力：一套可复现的说话人微调流程，用来把模型适配到某个指定嗓音；以及声码器超分，用来输出 48 kHz 采样率的音频。发布说明里 48 kHz 输出标的是即将上线；覆盖 16 种语言的预置音色库列在本次已发布的内容里，不用先克隆就能直接挑一个音色用。

跑分上它赢了谁，输在哪里

评测跑在 CV3-Eval 上，16 个语种各测一遍，对手是 MiniMax-Speech-2.8-HD-API、ElevenLabs-v3-API、DotsTTS-SOAR（采样 10 步）、VoxCPM2，以及自家今年 1 月开源的 Qwen3-TTS-1.7B-Base。两张雷达图，越靠外圈越好。

内容准确度（字错率，径向刻度由内圈 16 向外降到 1.45，越靠外越低越好）。红色粗线是 Qwen-Audio-3.0-TTS，多数语种贴近最外圈，但有若干语种被深蓝色的 MiniMax 压在外侧，两者在好几个轴上差距极小、肉眼难分。紫色 DotsTTS 和黄绿色 Qwen3-TTS 有多条边塌向圆心，对应它们不支持的语种。图片来源：发布页。

说话人相似度（径向刻度由内圈 60 向外升到 90.76，越靠外越像本人）。红线在全部 16 个语种上都是最外圈。绿色的 ElevenLabs 全程贴着最内那圈黑色基准线走，说明它的得分落在图表显示范围的下限或更低，发布页没有说明这一项的测试条件。图片来源：发布页。

音色还原是它拉开差距的地方，16 项全拿。念得准不准这项，发布页给的说法是 Flash 和 Plus 两档合起来在 16 个语种中的 10 个拿到最低字错率，剩下 6 个不是第一。要注意上面这张图里只画了一条 Qwen-Audio-3.0-TTS 的线，没有按两档分开，所以图上数不出这个 10 比 6，两者对不上号。

第三方竞技场怎么排的

上面两张图是发布方自己跑的。第三方评测站 Artificial Analysis 也有一份榜单，用的是真人盲听两两对比打分，算成 Elo 分数排名。7 月 14 日的这份「提供商自带音色」分榜上，Qwen-Audio-3.0-TTS-Plus 排在第一。

Artificial Analysis 的文字转语音竞技场榜单（提供商自带音色分榜）前 15 名。第一名 1236 分与第二名 Simba 3.2 的 1234 分只差 2 分，两者的排名区间都标着 1-2，误差线互相重叠。图片来源：Artificial Analysis 官方账号 2026-07-14。

这个第一要看清楚它的分量：1236 比第二名 Simba 3.2 的 1234 只高 2 分，两条误差线是重叠的，榜单自己把两者的排名区间都标成 1-2。往下才是 Google 的 Gemini 3.1 Flash TTS（1214）和 Cartesia 的 Sonic 3.5（1207）。ElevenLabs 的 Eleven v3 排在第 12 位，1174 分。

同一份榜单还给了两项发布页没有提的数据，一项是生成速度，一项是价格。

生成速度这一栏它垫底：16 字符每秒，Simba 是它的将近两倍，Sonic 3.5 是它的七倍半。价格上它比 Simba 贵一倍多，比 Gemini 贵五成，比 Sonic 便宜三成。所以这个第一是拿质量分换来的，速度和价格都不占优。

你现在能怎么用它

调用走阿里云百炼，模型名是 qwen-audio-3.0-tts-flash 和 qwen-audio-3.0-tts-plus，走 WebSocket 协议，官方给了 Python、Java、Go、C#、PHP、Node.js 六种语言的示例代码。

有一个地方容易看错。今年 1 月通义开源过一整套 Qwen3-TTS，权重挂在 HuggingFace 上可以下载本地跑；这次的 Qwen-Audio-3.0-TTS 并没有跟着开源，HuggingFace 上搜不到这个名字下的任何模型。两代的关系是这样：

想本地跑，现在能下载的仍然是 1 月那套。它的 1.7B-CustomVoice 版本在 HuggingFace 上下载量已经超过 200 万次，社区还做了 GGUF、MLX 等各种量化版本。

还有一步文章前面的演示没体现：合成请求里不能直接塞一段参考音。想用自己的嗓子，得先走声音复刻功能把音频注册成一个自定义音色，拿到音色 ID，再在合成时把 voice 填成那个 ID。直接调用时 voice 填的是系统预置音色名。

7 月 20 日发布的 Qwen-Audio-3.0-TTS 分两档：Flash 求快，从发请求到第一个字出声约 300 毫秒；Plus 求好听。一段参考音能跨 16 种语言念（其中 7 种是新加的，集中在东南亚和中东），另外覆盖 20 个中文方言区，从粤语、上海话到甘肃话、青岛话。带噪声的参考音不用先降噪，模型训练时就拿脏录音练过，压噪和保音色一起做。

控制语气的方式也换了。以前要调声学参数，现在直接把标签写进文本里，写在哪儿从哪儿生效：

阿里云文档公开了 31 个这样的标签（24 个管语气、7 个插声音），发布页则说新增了 86 个，差额没有说明。这些好处成立的前提是它得跑得够快、念得够稳，这两件事靠下面这套东西。

小互录了一段自己说中文的参考音，想让它改念日语。模型的做法是先把语音切成一小块一小块，再一块一块往外生成，最后合成声波。一秒钟切几块，决定了它要生成多少步，这是快慢的总开关。

把「多少字符每秒」换成一件具体的事：让它念一篇 3000 字的稿子，各家要等多久。