阿里甩出“配音”神器：能调整情绪，还会说方言

合成音频：

根据文本提示，模型在生成的音频中加入了愤怒的语气，角色的质问感和紧迫感随台词逐步增强。

此外，用户也可以通过输入指令，要求模型在说话过程中笑出声。

指令：说到一半忍不住扑哧笑出声

合成文本：你说的这个事啊，我都听过好几遍了，扑哧——还是觉得好笑。

合成音频：

二、自由指令控制，可直接用自然语言描述

除结构化标签外，Qwen-Audio-3.0-TTS还支持


Free-style自然语言指令控制


。用户可以直接用自然语言描述角色、情绪、场景和语速，不需要单独调整专业音频参数。

官方给出了下面这几个案例：

指令：你是一位年轻女性小学老师，正在课堂上耐心地给一年级学生复述拼音规则。语速很慢，每一个发音都示范一遍，语调上扬带笑意。

合成文本：我们再来读一次，j、q、x这三个声母后面如果跟着u，那个u上的两点要去掉。你跟老师一起读，j——u——ju。

参考音频：

合成音频：

模型会按照这段指令合成对应的课堂讲解录音。类似方式也可以用于


旁白、角色配音、有声内容和语音助手


等场景。

指令：你是悬疑剧旁白，屏住呼吸把紧张感一层层叠上去。

合成文本：那天夜里下着大雨，林晚一个人坐在书房里。窗外的雷声一阵接一阵，灯光忽明忽暗。她忽然听见楼下传来了脚步声——缓慢、沉重，像是有人在故意压低声响。她屏住呼吸，手指紧紧抓住椅子的扶手。脚步声越来越近，最终停在了书房门口。门把手轻轻地，转动了一下。

合成音频：

从合成效果来看，旁白语速较为急促，营造出明显的紧张感，让人仿佛置身故事场景之中。如果有声小说采用这种能够随情节调整节奏和情绪的配音，听众的沉浸感和代入感也会更强。

三、覆盖16种语言，10种语言字词错误率最低

Qwen-Audio-3.0-TTS-Plus覆盖中文、英语、日语、韩语、德语等16种语言，新增了阿拉伯语、越南语、马来语和菲律宾语。

根据官方公布的CV3-Eval多语种测试结果，目前，Qwen-Audio-3.0-TTS在16种语言的词或字错误率评测中，Qwen-Audio-3.0-TTS系列在


10种语言


中排名第一，其中韩语和马来语的领先幅度较大。

在16种语言的说话人相似度评测中，Qwen-Audio-3.0-TTS-Plus取得


全部16项最优成绩


，Flash版本取得其中


15项第二


。马来语、西班牙语和阿拉伯语的提升较为明显。

四、支持20种中文方言，强化韵律和声调训练

中文方言方面，Qwen-Audio-3.0-TTS目前支持广东话、重庆话、东北话、陕西话、上海话、四川话和云南话等


20种方言


。千问称，新模型使用了更多方言数据，并增加了


方言强化训练


阶段，让模型在


韵律、声调与口语表达


上接近母语者，减少通用语音强化学习过程中可能出现的方言特征减弱问题。

用户可以通过自然语言指令指定输出方言。例如，输入“输出上海话”，模型即可根据后续文本合成上海话语音。

指令：

输出上海话：屋里向装修真个是烦人，天天敲墙壁，声音响得来！灰尘落得一塌糊涂，真想快点弄清爽。

合成音频：

五、噪声和混响环境下，仍具备较强声音复刻能力

声音复刻通常需要使用较为清晰的参考录音，但实际获得的音频中可能包含背景噪声或混响。

Qwen-Audio-3.0-TTS加入了真实声学环境仿真训练，将


语音增强能力


用于声音复刻流程。官方称，在参考音频存在较高噪声或混响的情况下，模型可以


过滤部分环境干扰


，并提取说话人的音色。

合成文本：听到这首歌的时候，突然想起很多年前的夏天。

参考音频：

合成音频：

结语：语音合成增强语气、情绪等控制能力

从此次升级来看，Qwen-Audio-3.0-TTS提高了对于语气、情绪、呼吸和角色风格的控制能力。结构化标签适合调节具体位置的表达效果，自然语言指令则能对角色、场景和语速进行整体描述，多语种、方言及复杂声学环境下的声音复刻能力也得到扩展。

随着Plus和Flash版本在阿里云百炼开放，这些能力将进入更多实际应用场景，为旁白、角色配音、有声内容和语音助手提供更多配音方案。