「同易前文 Qwen-Audio-3.0-TTS」正式上線,具備 300 毫秒首包延遲,支援 20 種方言
阿里巴巴 Qwen 團隊推出了全新的即時語音合成模型 Qwen-Audio-3.0-TTS,將語音合成從基礎生成提升至真正的表達層次。 其 Plus 版本目前在 Artificial Analysis 備受推崇的基準測試平台「Speech Arena」中位居全球榜首,表現優於 Gemini 3.1 TTS、ElevenLabs v3 及其他主要模型。

目前提供兩個版本:Flash 版本專為即時互動設計,初始延遲約 300 毫秒,非常適合智慧助理及其他低延遲應用場景;Plus 版本則著重高品質生成,提供更自然的語音表現與更高的聲音相似度。
核心能力方面有四大關鍵突破:
首先,多語言與方言支援已擴展至 16 種語言,其中 Plus 版本在所有 16 種語言中均達到 82.75% 的平均發音者相似度——此為業界最高水準。此外,該版本還涵蓋 20 種中文方言,在生成語音時能保留真實的方言特徵而非淡化其特色,從而呈現更接近母語者的表達方式。
其次,靈活的自然語言指令讓使用者能透過「溫和的客服語氣」或「直播主持人風格」等提示生成精準語音,無需專業標註。
第三,細粒度標籤控制支援 [gasp] 和 [angry] 等結構化標籤,可精準管理呼吸與笑聲等非語言細節——適用於遊戲、有聲書及類似情境。
第四,具備強大的聲學魯棒性:即使參考音訊含有高噪音或混響,模型仍能自動過濾背景噪音並保留語音品質,確保穩定的合成輸出。
隨附的 premium 語音庫涵蓋多種語音類型——包括指令語、方言及較少使用的語言——支援 48K 高解析度音訊輸出(預計於 7 月 24 日開放),且每次合成可處理長達 3 分鐘的長篇文本。 該模型現已於阿里雲「百聯」平台全面上線,開發者可前往存取並試用,為語音互動開闢嶄新可能性。

相關文章
美國股市觸及歷史裡程碑,人工智慧與航空航天巨頭準備開啟萬億美元時代
埃隆·馬斯克、山姆·阿爾特曼和達里奧·阿莫迪,這三位科技領域的巨頭,正推動其各自的企業邁向首次公開募股(IPO)。隨著 SpaceX、OpenAI 和 Anthropic——這三家估值接近萬億美元的行業巨頭——即將上市,2026 年被預測將成為美國曆史上新股發行規模最大的一年。這一歷史性的資本激增已引起全球金融界的關注,成為檢驗公共市場吸收如此大規模資金能力的關鍵壓力測試。這些主要融資活動的同步啟動預計將打破 2021 年創下的 1560 億美元紀錄。超級獨角獸的資本博弈每家公司上市的路徑
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work
Google 測試 Remy AI 代理,以 Gemini 為重點轉向使用者控制
根據《商業內幕》的報道,谷歌正在測試 Remy,這是 Gemini 的一款全新 AI 個人代理工具。該工具旨在代表使用者執行任務,從而簡化專業工作流程和日常事務。目前,Remy 正在 Gemini 應用的內部員工專屬版本中進行測試。該報告引用了一份內部檔案以及對兩位熟悉該專案的個人的採訪。內部資料將 Remy 描述為“全天候個人代理”,將 Gemini 定位為能夠代表使用者行事的主動助手。接近該專案的訊息人士證實,谷歌員工正在積極測試 Remy。谷歌發言人拒絕提供進一步評論。該報告未提及公開發布
相關專題推薦
評論 (0)
0/500
阿里巴巴 Qwen 團隊推出了全新的即時語音合成模型 Qwen-Audio-3.0-TTS,將語音合成從基礎生成提升至真正的表達層次。 其 Plus 版本目前在 Artificial Analysis 備受推崇的基準測試平台「Speech Arena」中位居全球榜首,表現優於 Gemini 3.1 TTS、ElevenLabs v3 及其他主要模型。

目前提供兩個版本:Flash 版本專為即時互動設計,初始延遲約 300 毫秒,非常適合智慧助理及其他低延遲應用場景;Plus 版本則著重高品質生成,提供更自然的語音表現與更高的聲音相似度。
核心能力方面有四大關鍵突破:
首先,多語言與方言支援已擴展至 16 種語言,其中 Plus 版本在所有 16 種語言中均達到 82.75% 的平均發音者相似度——此為業界最高水準。此外,該版本還涵蓋 20 種中文方言,在生成語音時能保留真實的方言特徵而非淡化其特色,從而呈現更接近母語者的表達方式。
其次,靈活的自然語言指令讓使用者能透過「溫和的客服語氣」或「直播主持人風格」等提示生成精準語音,無需專業標註。
第三,細粒度標籤控制支援 [gasp] 和 [angry] 等結構化標籤,可精準管理呼吸與笑聲等非語言細節——適用於遊戲、有聲書及類似情境。
第四,具備強大的聲學魯棒性:即使參考音訊含有高噪音或混響,模型仍能自動過濾背景噪音並保留語音品質,確保穩定的合成輸出。
隨附的 premium 語音庫涵蓋多種語音類型——包括指令語、方言及較少使用的語言——支援 48K 高解析度音訊輸出(預計於 7 月 24 日開放),且每次合成可處理長達 3 分鐘的長篇文本。 該模型現已於阿里雲「百聯」平台全面上線,開發者可前往存取並試用,為語音互動開闢嶄新可能性。

美國股市觸及歷史裡程碑,人工智慧與航空航天巨頭準備開啟萬億美元時代
埃隆·馬斯克、山姆·阿爾特曼和達里奧·阿莫迪,這三位科技領域的巨頭,正推動其各自的企業邁向首次公開募股(IPO)。隨著 SpaceX、OpenAI 和 Anthropic——這三家估值接近萬億美元的行業巨頭——即將上市,2026 年被預測將成為美國曆史上新股發行規模最大的一年。這一歷史性的資本激增已引起全球金融界的關注,成為檢驗公共市場吸收如此大規模資金能力的關鍵壓力測試。這些主要融資活動的同步啟動預計將打破 2021 年創下的 1560 億美元紀錄。超級獨角獸的資本博弈每家公司上市的路徑
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work





首頁






