2026 年 7 月 20 日，阿里通义千问正式发布新一代语音合成大模型 Qwen-Audio-3.0-TTS。它要解决的不再是"能不能说话"，而是"会不会表达"——通过结构化的情感/语气标签和自然语言指令，你可以精确控制什么时候抽气、什么时候轻笑、什么时候愤怒。

官方公布的两条关键成绩：Qwen-Audio-3.0-TTS-Plus 在 Artificial Analysis Speech Arena 以 Elo 1236 登顶全球第一，微超 Simba 3.2（1234）；同时提供面向实时交互的 Flash 版本（首包延时约 300ms）。如果你做语音助手、有声书、播客配音或游戏 NPC，这是目前国产 TTS 里最值得上手的一档。

两个版本，选哪一个

简单原则：要"秒回"选 Flash，要"好听"选 Plus。

核心能力：四种控制方式

1. 情感/语气结构化标签

这是 3.0 最直观的升级。在文本中直接插入方括号标签，模型会在对应位置渲染情绪动作：

她猛地站起来[gasp]，盯着屏幕看了很久。
"你居然真的做了……"[giggles] 那好吧，我服了。
这件事我忍了很久了[angry]，今天必须说清楚。

常用标签包括 [gasp]（抽气）、[giggles]（轻笑）、[angry]（愤怒）等，覆盖哭、笑、叹气、停顿等情绪动作。写小说配音、剧情化广告时非常香。

2. Free-style 自然语言指令

不想记标签？用一句话描述情绪，模型会自行演绎：

（指令）请用一种又疲惫又自嘲的语气念这段话，每句话之间稍微停顿。
（文本）周一早上挤地铁，方案被打回三次，咖啡洒在白衬衫上……

适合短视频脚本、广告口播这类需要"调性"而非精确动作的内容。

3. 16 种语言 + 20 种方言

覆盖中文、英文、日文、韩文等 16 种主语言，外加 20 种方言（如粤语、四川话、上海话）。跨语种有声内容、地方化营销不用再换模型。

4. 48kHz 影视级音质

采样率 48kHz，直接对标影视后期标准。不再需要后期降噪或升频，可以直接进剪辑线。

怎么接入：DashScope 两条路径

Qwen-Audio-3.0-TTS 通过阿里云百炼平台（DashScope）对外提供，同一个模型名称同时支持 WebSocket 和 HTTP 两种协议，根据延迟要求选择。

路径 A：实时语音合成（WebSocket，低延迟）

适用场景：语音助手、对话机器人、在线客服。

• 协议：WebSocket 流式输入/输出
• 端点：wss://dashscope.aliyuncs.com/api-ws/v1/inference/
• 文档：https://help.aliyun.com/zh/model-studio/realtime-tts-user-guide

调用思路（伪代码）：

import dashscope
from dashscope.audio.tts_v2 import SpeechSynthesizer

dashscope.api_key = "sk-xxx"  # 百炼平台获取

synthesizer = SpeechSynthesizer(
    model="qwen-audio-3.0-tts-flash",  # 实时用 Flash
    voice

💡 提示：Flash 版本首包延时约 300ms，已达到对话级体感。如果想做 Agent 语音，配合 Qwen LLM 的流式输出，可以做"边想边说"。

路径 B：非实时语音合成（HTTP，高质量）

适用场景：有声书批量合成、在线教育配音、视频后期配音。

• 协议：HTTP POST
• 端点：https://dashscope.aliyuncs.com/api/v1/services/audio/tts
• 模型：qwen-audio-3.0-tts-plus
• 文档：https://help.aliyun.com/zh/model-studio/non-realtime-tts-user-guide

curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/audio/tts' \
  -H 'Authorization: Bearer sk-xxx' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "qwen-audio-3.0-tts-plus",
    "input": {
      "text": "她猛地站起来[gasp]，盯着屏幕看了很久。"
    },
    "parameters": {
      "voice": "Cherry",
      "format": "mp3",
      "sample_rate": 48000
    }
  }'

💡 提示：批量生产内容（如整本书的有声化）建议走 HTTP + 异步任务，避免阻塞主线程。

自定义音色：声音复刻

如果默认音色不够用，百炼平台还提供**声音复刻（Voice Cloning）**能力——上传几秒到几十秒目标人声样本，训练出可复用的自定义音色。文档：https://www.alibabacloud.com/help/zh/model-studio/voice-cloning-user-guide。

怎么选：和豆包、歌歌AI 的区别

简而言之：TTS 找 Qwen-Audio-3.0-TTS，音效找豆包，音乐找歌歌。

快速上手清单

1. 注册阿里云账号，开通百炼平台：https://bailian.console.aliyun.com/
2. 在"API Key 管理"创建 Key
3. 复制上面任一代码示例，替换 sk-xxx 即可跑通第一条语音
4. 官方示例仓库：https://github.com/aliyun/alibabacloud-bailian-speech-demo

常见问题

• 标签没生效，读成了字面量？ 检查是否使用了支持标签的模型版本（Plus / Flash 3.0），旧版 CosyVoice 不识别结构化标签。
• 延迟比 300ms 高很多？ 确认使用的是 Flash 模型 + WebSocket 协议，HTTP 模式无法保证实时性。
• 音质发闷？ 把 sample_rate 显式设为 48000，避免降到默认 16kHz/24kHz。

相关链接

• 实时语音合成文档：https://help.aliyun.com/zh/model-studio/realtime-tts-user-guide
• 非实时语音合成文档：https://help.aliyun.com/zh/model-studio/non-realtime-tts-user-guide
• Python SDK 参考：https://help.aliyun.com/zh/model-studio/cosyvoice-tts-python-sdk
• 官方示例仓库：https://github.com/aliyun/alibabacloud-bailian-speech-demo