阿里上线 Qwen-Audio-3.0-TTS，分为 Flash 和 Plus 两个版本。两者支持语音合成、自然语言指令与情绪、拟声标签，开发者可通过 DashScope API 调用。国际服务按输入字符计费，Flash 每万字符 0.15 美元，Plus 为 0.20 美元。
Flash 和 Plus 面向不同场景
Qwen-Audio-3.0-TTS 把文字转换为可播放的语音，支持边接收文字边返回音频的流式输出。Flash 主要用于语音助手、智能客服等对响应速度敏感的互动场景；Plus 面向有声书、新闻播报和内容配音等更重视成品质量的任务。
两个版本的模型 ID 分别是 qwen-audio-3.0-tts-flash 和 qwen-audio-3.0-tts-plus。它们属于 Qwen-Audio-TTS 产品线，不要与年初发布的 Qwen3-TTS 模型 ID 混用。
用自然语言和标签控制表达
调用接口时，可以在 instruction 参数里直接描述语速、情绪、语气和音色。例如，一段客服播报可以要求“语速稍慢，语气温和”，不需要分别调节多组音频参数。
模型还允许把标签直接写入待合成文本。[excited] 和 [serious] 可在指定位置切换表达方式，[laughing]、[gasp] 和 [sighing] 可插入笑声、吸气或叹气。这类精细标签只适用于单向流式模式。
支持多语言与中文方言
系统预设音色支持范围依具体音色而定，目前包含普通话和英语。克隆音色可用于中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语、泰语、印度尼西亚语、越南语、马来语、菲律宾语和阿拉伯语。
中文还可通过指令控制广东话、四川话、河南话、上海话等多种方言。实际可用范围与所选音色有关，调用前需按目标语言选择对应音色。
开发者怎么用
开发者需要先在模型服务平台开通服务并配置 DASHSCOPE_API_KEY，然后通过 DashScope Python 或 Java SDK 建立 WebSocket 连接。请求中至少需要指定模型、音色和待合成文本；需要控制表达时，再加入 instruction 参数。输出可保存为 MP3、WAV、PCM 或 Opus 格式。
该服务按输入文本字符数计费，输出音频不单独计费。新加坡区域的国际服务中，Flash 价格为每 1 万字符 0.15 美元，Plus 为每 1 万字符 0.20 美元。国际服务新开通账户有 1 万字符免费额度，有效期为 90 天。