2026年7月20日，阿里巴巴正式发布语音合成大模型Qwen-Audio-3.0-TTS。该模型包含Flash（首包延时约300ms）和Plus（全球权威榜单Artificial Analysis冠军）两个版本。模型支持结构化标签控制情绪与语气，覆盖16种语言、20种方言，音频采样率提升至48KHz，单次合成最长3分钟。配套精品音色库已开放，面向全球开发者提供即用型语音能力。