今天，阿里千问发布Qwen-Audio-3.0-Gen-Preview。它把各类音频元素的生成与编排统一到同一个模型里，只需一段场景描述，就能在同一条时间轴上同时生成多角色对白、环境声、动作音效和背景音，输出可直接使用的成品音轨。

技术报告：https://arxiv.org/abs/2607.27011

体验链接：https://modelscope.cn/studios/Qwen-Audio/AudioGen-Demo

‍▎亮点一：一次生成完整场景，告别"拼音轨"

模型不再把语音、音效、声音事件等音频元素拆成独立任务。它在同一条时间轴上同时生成这些元素，自动协调响度、节奏与情绪走向，一次输出即可使用的成品音轨。

但统一生成并不意味着牺牲单项质量——在语音相似度、AudioBox等多项基准评测中，Qwen-Audio-3.0-Gen-Preview 各项指标均全面领先。

语音相似度三项指标均列第一

（语音合成 Seed-TTS-Eval 零样本评测结果）

音效评测多项指标第一

（音效生成 AudioBox 与 LALM 评测结果）

‍▎亮点二：一段描述自动编排，多角色各归其位
你只需要写一段场景描述——谁在说话、什么情绪、什么环境、配什么音乐——系统会自动扩展为完整的时间线编排方案：角色档案、逐句对白、音效触发时机、音乐段落结构，以及各元素之间的先后与叠加关系，全部自动规划。同时原生支持多角色，每个角色绑定独立音色档案（性别、年龄、声线、音色），对白与角色严格对应。
‍▎亮点三：一段参考音频，复刻任意音色
给模型一段参考音频，它就能在场景中复刻这个声音——不只是音色像，说话风格、语气习惯也一并保留。下面通过单角色复刻和多角色同台两个案例来展示。

评测数据

在 Seed-TTS-Eval 上，说话人相似度三个子集全部第一（EN 0.80 / ZH 0.82 / Hard-ZH 0.80）。多说话人场景中，跨轮次音色一致性英文 CONS 70.2、中文 CONS 74.0，均为参评系统最高。

（说话人相似度与多说话人音色一致性评测）

‍▎亮点四：精确到秒的时间控制

声音什么时候出现、持续多久、谁先谁后、是否同时——这些都可以精确指定。你可以要求"第 3 秒一声敲门，第 5 秒雨声渐起，对白在雨声稳定后开始"，模型会严格按时间线执行，而不是把音效随机撒进音轨。

评测数据

内部 100 条复杂场景基准上，双评测模型一致显示：时间重叠度 mIoU 43.73 / 43.12，领先 Seed-Audio-1.0（38.48 / 37.36）；IoU@0.5 命中率 50.00% / 43.83%，同样全面领先。声音不只是"出现了"，而是"在对的时间出现"。

（组合与时序指令遵循评测）