阿里通义Qwen3-TTS模型家族上新：声音不仅能复制，还可以定制

IT之家 12 月 24 日消息，阿里通义今日官宣，Qwen3-TTS 家族新推出两款模型，音色创造模型 Qwen3-TTS-VD-Flash 和音色克隆模型 Qwen3-TTS-VC-Flash。IT之家附模型主要特点如下：

• 音色创造：Qwen3-TTS-VD-Flash 支持复杂自然语言指令输入，实现对音色、韵律、情感、人设等的精细化调控，实现从“说什么”到“如何说”的全面掌控，可以让用户自由地定义想要的音色，彻底摆脱只能进行根据已有的音色进行克隆或者只能选择固定的一部分预设音色。在 InstructTTS-Eval 中综合表现显著优于 GPT-4o-mini-tts、Mimo-audio-7b-instruct，在角色扮演测试中也超越 Gemini-2.5-pro-preview-tts。
• 音色克隆：Qwen3-TTS-VC-Flash 支持 3s 级别音色克隆，并且可以基于克隆的音色生成中文、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 大主流语言。在 MiniMax TTS Multilingual Test Set 上，平均词错误率（WER）全面优于 MiniMax、ElevenLabs 及 GPT-4o-Audio-Preview。
• 高表现力：Qwen3-TTS-VD-Flash 和 Qwen3-TTS-VC-Flash 具备高表现力的拟人化音色，能够稳定、可靠地输出高度契合输入文本的语音内容，并根据文本语义自动调节语气节奏，呈现自然生动的表达效果。
• 鲁棒的文本能力：Qwen3-TTS-VD-Flash 和 Qwen3-TTS-VC-Flash 具备强大的文本解析能力，可自动处理复杂文本结构，精准提取关键信息，对多样化、非规范化的文本格式展现出较强的鲁棒性（IT之家注：robustness，系统在面临内部结构或外部环境的改变时维持功能稳定运行的能力）。

Qwen3-TTS 支持通过自然语言描述生成定制化的音色形象。用户可以随意输入声学属性、人设描述、背景信息等自由描述，轻松创造出自己期望的声音形象。

可控生成：在 InstructTTS-Eval 中，Qwen3-TTS 综合表现显著优于 GPT-4o-mini-tts、Mimo-audio-7b-instruct，在角色扮演测试中也超越 Gemini-2.5-pro-preview-tts。

Qwen3-TTS-VC-Flash

Qwen3-TTS 支持通过自然 3s 级别音色克隆，并且可以基于克隆的音色生成多语种音频，同时对复杂文本和野生音频都有较高的鲁棒性。

多语种音色克隆：在 MiniMax TTS Multilingual Test Set 上，Qwen3-TTS 在中、英、法、意大利等语项的内容稳定性优于 MiniMax、ElevenLabs 及 GPT-4o-Audio-Preview；其平均词错误率（WER）位居第一。

Qwen3-TTS-Voice-Design API 文档：

Qwen3-TTS-Voice-Clone API 文档：