阿里甩出“配音”神器：能調整情緒，還會說方言

阿里推出全新語音合成模型，可調整語氣情緒還能說方言

千問大模型團隊於7月20日正式發布語音合成大模型Qwen-Audio-3.0-TTS，並同步推出兩個版本：專注即時互動的Flash版本，首包延遲僅在300毫秒等級；以及專注高品質生成的Plus版本。這次升級在細粒度標籤控制、自然語言指令遵循、多語種與方言覆蓋，以及複雜聲學環境的魯棒性等方面，都有顯著進步。根據第三方評測機構Artificial Analysis公布的Speech Arena語音合成榜單，Qwen-Audio-3.0-TTS-Plus目前位居全球第一，Elo評分達到1237分。這項成績顯示該模型在語音合成的自然度與品質上，已獲得國際評測機構的肯定。

在輸出規格方面，Qwen-Audio-3.0-TTS將音頻採樣率從以往的24kHz提升至48kHz，單次語音合成最長可達3分鐘。目前，Plus與Flash兩個版本皆已在阿里雲百鍊平台上線，開發者可直接取用測試。細粒度標籤控制是此次升級的核心亮點之一。用戶可以在合成文本中插入結構化標籤，例如[gasp]代表抽氣、[giggles]代表輕笑、[angry]代表憤怒等，藉此精準調節語氣、情緒與呼吸等細微表現。官方公布的案例顯示，在一段飛船事故相關的臺詞前加入[angry]標籤後，模型會以憤怒語氣合成後續內容，角色的質問感與緊迫感隨著臺詞逐步增強，效果相當自然。

除了結構化標籤，Qwen-Audio-3.0-TTS也支援Free-style自然語言指令控制。用戶不需調整專業音頻參數，直接用自然語言描述角色、情緒、場景與語速即可。例如，輸入「你是一位年輕女性小學老師，正在課堂上耐心地給一年級學生複述拼音規則，語速很慢，每一個發音都示範一遍，語調上揚帶笑意」，模型便能合成出符合描述的課堂講解錄音。這種方式同樣適用於旁白、角色配音、有聲內容與語音助手等場景，大幅降低語音合成的使用門檻。官方也展示了懸疑劇旁白的案例：輸入「你是懸疑劇旁白，屏住呼吸把緊張感一層層疊上去」，模型合成的旁白語速顯得急促，營造出明顯的緊張感，讓聽眾彷彿置身故事場景之中。

這項功能對於有聲小說、廣播劇等內容製作來說，能夠隨情節調整節奏與情緒，進一步提升聽眾的沉浸感與代入感。在多語種支援方面，Qwen-Audio-3.0-TTS-Plus覆蓋中文、英語、日語、韓語、德語等16種語言，並新增阿拉伯語、越南語、馬來語與菲律賓語。根據官方公布的CV3-Eval多語種測試結果，Qwen-Audio-3.0-TTS系列在16種語言的詞或字錯誤率評測中，有10種語言排名第一，其中韓語與馬來語的領先幅度較大。在說話人相似度評測方面，Plus版本更是在全部16項語言中取得最優成績，Flash版本則在15項中位居第二，顯示該模型在語音還原度上表現相當出色。

中文方言方面，Qwen-Audio-3.0-TTS目前支援廣東話、重慶話、東北話、陝西話、上海話、四川話與雲南話等20種方言。千問團隊表示，新模型使用了更多方言數據，並增加方言強化訓練階段，讓模型在韻律、聲調與口語表達上更接近母語使用者，同時減少通用語音強化學習過程中可能出現的方言特徵減弱問題。用戶只需透過自然語言指令指定輸出方言，例如輸入「輸出上海話」，模型即可根據後續文本合成上海話語音。聲音復刻能力在這次升級中也獲得強化。傳統的聲音復刻通常需要較為清晰的參考錄音，但實際取得的音頻常常包含背景噪聲或混響。Qwen-Audio-3.

0-TTS加入真實聲學環境仿真訓練，將語音增強能力應用於聲音復刻流程。官方指出，即使參考音頻存在較高噪聲或混響，模型仍能過濾部分環境干擾，並有效提取說話人的音色特徵，進一步提升在複雜環境下的實用性。從整體升級方向來看，Qwen-Audio-3.0-TTS顯著提升了對於語氣、情緒、呼吸與角色風格的控制能力。結構化標籤適合調節文本中特定位置的表達效果，而自然語言指令則能對角色、場景與語速進行整體描述，兩者相輔相成。多語種、方言以及複雜聲學環境下的聲音復刻能力也獲得擴展，讓這款語音合成模型在應用場景上更加全面。

隨著Plus與Flash版本在阿里雲百鍊平台正式開放，這些技術能力將陸續進入旁白、角色配音、有聲內容與語音助手等實際應用場景，為開發者與內容創作者提供更多元的配音方案。