阿里通义团队解析从 CosyVoice 到 Qwen-Audio-3.0-TTS 的四代演进

阿里通义语音团队梳理了从 CosyVoice 到 Qwen-Audio-3.0-TTS 的四代语音生成技术路线。四代模型依次处理表示与对齐、调度与分解、规模化与专精、协同问题，并保持文本与提示、自回归语义规划、flow matching 声学渲染到波形的整体架构。Qwen-Audio-3.0-TTS 采用 12.5Hz token、隐状态条件化，以及联合与分阶段优化。