千問語音合成模型Qwen3-TTS 發布，支持3秒克隆音色和音色定制

AIPress.com.cn報道

12月24日，據官方消息，通義千問發布了新一代語音合成模型 Qwen3-TTS，并同步推出兩款核心模型：音色創造模型 Qwen3-TTS-VD-Flash 與 音色克隆模型 Qwen3-TTS-VC-Flash。相比傳統 TTS 產品主要依賴預設音色或簡單復刻，Qwen3-TTS 將語音能力進一步擴展到“音色設計”層面。

在音色創造方面，Qwen3-TTS-VD-Flash 支持通過復雜自然語言指令直接定義聲音特征。用戶不僅可以描述音色本身，還可對韻律、情感、語氣、人設等進行精細化控制，實現從“說什么”到“如何說”的全面調控。這種方式使語音生成不再局限于已有音色或固定模板，而是可以按需求“創造聲音”。

評測數據顯示，在 InstructTTS-Eval 中，Qwen3-TTS的綜合表現顯著優于 GPT-4o-mini-tts 和 Mimo-audio-7b-instruct；在角色扮演測試中，其表現也超過 Gemini-2.5-pro-preview-tts，體現出更強的可控性和一致性。

千問語音合成模型Qwen3-TTS 發布

在音色克隆能力上，Qwen3-TTS 支持3秒級音色克隆，并可基于克隆音色生成中文、英文、德語、意大利語、葡萄牙語、西班牙語、日語、韓語、法語、俄語等10種主流語言。在 MiniMax TTS Multilingual Test Set 上，該模型在多語種內容穩定性和平均詞錯誤率（WER）指標上，整體優于 MiniMax、ElevenLabs 以及 GPT-4o-Audio-Preview。

Qwen3-TTS 支持3秒級音色克隆

兩款模型均強調高表現力與穩定性。Qwen3-TTS 可根據文本語義自動調整語氣與節奏，在長文本、多角色對話等復雜場景中，保持自然、生動的擬人化表達。同時，其文本解析能力覆蓋復雜結構和非規范化輸入，在實際應用中具備較高魯棒性。

此外，Qwen3-TTS 支持將已創建的音色進行持久化存儲與重復調用，可用于多輪、多角色的長篇對話生成，為數字人、虛擬客服、內容創作等場景提供更靈活的語音底層能力。目前，相關模型已通過阿里云 Model Studio 提供 API 接口，面向開發者開放使用。