千问语音合成模型Qwen3-TTS 发布，支持3秒克隆音色和音色定制

AIPress.com.cn报道

12月24日，据官方消息，通义千问发布了新一代语音合成模型 Qwen3-TTS，并同步推出两款核心模型：音色创造模型 Qwen3-TTS-VD-Flash 与 音色克隆模型 Qwen3-TTS-VC-Flash。相比传统 TTS 产品主要依赖预设音色或简单复刻，Qwen3-TTS 将语音能力进一步扩展到“音色设计”层面。

在音色创造方面，Qwen3-TTS-VD-Flash 支持通过复杂自然语言指令直接定义声音特征。用户不仅可以描述音色本身，还可对韵律、情感、语气、人设等进行精细化控制，实现从“说什么”到“如何说”的全面调控。这种方式使语音生成不再局限于已有音色或固定模板，而是可以按需求“创造声音”。

评测数据显示，在 InstructTTS-Eval 中，Qwen3-TTS的综合表现显著优于 GPT-4o-mini-tts 和 Mimo-audio-7b-instruct；在角色扮演测试中，其表现也超过 Gemini-2.5-pro-preview-tts，体现出更强的可控性和一致性。

千问语音合成模型Qwen3-TTS 发布

在音色克隆能力上，Qwen3-TTS 支持3秒级音色克隆，并可基于克隆音色生成中文、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语等10种主流语言。在 MiniMax TTS Multilingual Test Set 上，该模型在多语种内容稳定性和平均词错误率（WER）指标上，整体优于 MiniMax、ElevenLabs 以及 GPT-4o-Audio-Preview。

Qwen3-TTS 支持3秒级音色克隆

两款模型均强调高表现力与稳定性。Qwen3-TTS 可根据文本语义自动调整语气与节奏，在长文本、多角色对话等复杂场景中，保持自然、生动的拟人化表达。同时，其文本解析能力覆盖复杂结构和非规范化输入，在实际应用中具备较高鲁棒性。

此外，Qwen3-TTS 支持将已创建的音色进行持久化存储与重复调用，可用于多轮、多角色的长篇对话生成，为数字人、虚拟客服、内容创作等场景提供更灵活的语音底层能力。目前，相关模型已通过阿里云 Model Studio 提供 API 接口，面向开发者开放使用。