阿里通义实验室发布Qwen-Audio-3.0-TTS：Flash和Plus双版本，支持16种语言和86种精细标签控制

一句话看懂

阿里通义实验室发布Qwen-Audio-3.0-TTS，提供Flash（实时）和Plus（高质量）两个API版本，支持16种语言和86种精细标签控制，Plus版在独立评测中排名第一。

详细发生了什么

阿里通义实验室正式发布Qwen-Audio-3.0-TTS，一个面向生产的文本转语音系统。该模型提供两个变体：Flash版本针对实时交互优化，首包延迟约300ms；Plus版本追求高质量生成，强调自然度和音色保真度。两者均通过阿里云Model Studio以托管API形式提供，不开放权重下载。

模型采用12.5Hz低帧率语音分词器降低自回归解码成本，并通过五阶段渐进训练范式协调语言模型和流匹配组件。支持16种语言（阿拉伯语、中文、英语、法语、德语、印尼语、意大利语、日语、韩语、马来语、葡萄牙语、俄语、西班牙语、他加禄语、泰语、越南语）及20种中文方言区域。Plus版在Artificial Analysis TTS排行榜上以约1236 Elo分排名第一，略高于Simba 3.2（1234分）。定价为$27.59/百万字符，约为ElevenLabs和MiniMax同类产品的三分之一。

中文圈视角

对中文用户而言，Qwen-Audio-3.0-TTS的发布有几点值得关注：

1. 中文方言支持是亮点：模型覆盖20种中文方言区域，这在海外TTS产品中极为罕见。对于需要方言语音合成的国内开发者（如地方政务、客服、内容创作），这是一个差异化优势。

2. API服务需注意合规：模型通过阿里云Model Studio提供，国内用户可直接使用，无需梯子。但数据出境问题需留意：如果使用新加坡区域，文本和音频数据会离开中国大陆，涉及敏感内容时需评估合规风险。北京区域则无此问题。

3. 与国产竞品对比：百度、科大讯飞等国内厂商也有TTS API，但Qwen-Audio-3.0-TTS在语言覆盖（16种语言）和精细控制（86种标签）上更胜一筹。不过，国内竞品通常提供更低的价格和更成熟的本地化服务，例如讯飞TTS在中文自然度上仍有优势。

4. 中文社区盲点：目前中文讨论多集中在模型排名和价格上，但较少人注意到其“仅托管”模式意味着开发者无法本地部署或微调，对于需要私有化部署的企业（如金融、医疗）可能不够友好。

几条值得记住的细节

• Flash版本首包延迟约300ms，适合实时对话场景；Plus版本质量优先，但吞吐量仅约16字符/秒，低于Simba 3.2的30.2字符/秒。
• 支持86种精细内联标签，包括[excited]、[sad]、[laughing]、[clears throat]等，可控制情感和非语言事件。
• 定价$27.59/百万字符，约为ElevenLabs和MiniMax的三分之一，但吞吐量较低。
• 模型与开源版Qwen3-TTS（Apache-2.0）不同，Qwen-Audio-3.0-TTS仅通过API使用。
• 提供DashScope SDK及Python、Java、Go、C#、PHP、Node.js的WebSocket示例。

一句话总结

如果你需要多语言或中文方言的TTS，且能接受API调用和中等吞吐量，Qwen-Audio-3.0-TTS是目前性价比最高的选择之一。