36 氪获悉，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、多语种与方言覆盖以及复杂声学鲁棒性等方面系统性提升，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，让合成语音从 " 能说话 " 走向 " 会表达 "。目前，在全球第三方榜单 Artificial Analysis，Qwen-Audio-3.0-TTS-Plus 登顶，其预览版 Fun-Realtime-TTS 也曾在一个月前登顶该榜单。