7月20日，阿里巴巴发布语音合成大模型Qwen-Audio-3.0-TTS，在细粒度标签控制、freestyle指令遵循、多语种与方言覆盖及复杂声学鲁棒性等方面实现系统性提升。该模型包含面向实时交互的Flash版本（首包延时300ms级别）和面向高质量生成的Plus版本，推动合成语音从“能说话”迈向“会表达”。

目前，在全球第三方榜单Artificial Analysis中，Qwen-Audio-3.0-TTS-Plus已登顶，其预览版Fun-Realtime-TTS也曾在一个月前占据榜首。