千问发布语音合成大模型Qwen-Audio-3.0-TTS,支持自然语言指令控制
千问于7月20日推出语音合成大模型Qwen-Audio-3.0-TTS,主打用自然语言指令控制语音风格,并提供面向实时交互的Flash版本与面向高质量生成的Plus版本。
海宇数科 · 事件日期 · 更新于 · 约 1 分钟 · 1 次阅读

千问于7月20日发布语音合成大模型Qwen-Audio-3.0-TTS,用户可通过自然语言指令描述想要的声音效果,由模型完成语音合成。
该模型以Free-style自然语言指令控制为主要特点,相比过去需要在后台调整多项工程参数才能得到特定语气、节奏或风格的方式,操作门槛有所降低。
针对不同场景,千问设置了两个版本:面向实时交互的Flash版本首包延迟在300毫秒级别,可用于实时问答、语音助手等对延迟敏感的场景;面向高质量生成的Plus版本侧重音质与表现力,适用于有声书、配音、内容创作等任务。
通过自然语言控制语音,千问将语音合成的操作方式进一步简化,使其更接近普通用户可直接使用的工具。
