阿里Qwen3 上新，支持跨物种声音克隆，实测复刻雷总的诚恳语气

作者｜子川

来源｜AI先锋官

最近，阿里通义上线了Qwen3-TTS的两大核心能力——VoiceDesign（VD-Flash）和VoiceClone（VC-Flash）。

此次上新，甩出了两大核心能力：

• VoiceDesign（VD-Flash）：告别“选音色”，直接用文设计出声音。

• VoiceClone（VC-Flash）：仅需3秒，实现跨语言、甚至跨物种的音色克隆。

据官方披露的数据显示，其生成速度达到了惊人的0.1秒级，且在多项核心指标上，直接超越了OpenAI的GPT-4o-Audio和目前国内语音霸主MiniMax。

那它的实际表现如何？我们实际体验一下。

VoiceDesign（VD-Flash）：用文字“设计”声音

过去，你要找一个合适的配音，得在几十种预设音色里反复试听，总觉得“差点意思”。

现在，你只需要用自然语言描述你想要的音色，模型就能从无到有地创造出来。

比如，输入“展现出悲苦沙哑的声音质感,语速偏慢,情绪浓烈且带有哭腔,以标准普通话缓慢诉说,情感强烈,语调哀怨高亢,音高起伏大。”

能明显的听到声带因为哽咽而紧绷的摩擦感。每一句的尾音都带着无法控制的颤抖，效果非常的逼真。

或者输入一个非常简洁的指令“邪恶女魔头”。

效果依旧抗打。

并且纸面实力也不弱，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。

VoiceClone（VC-Flash）：3秒音频，跨语言、跨物种级别的音色克隆。

如果说VoiceDesign是“创造声音”，那么VoiceClone就是“复刻声音”的终极形态。

只需要上传一段3-10秒的真人录音，模型就能捕捉其音色、韵律和发音特征，生成几乎一模一样的克隆语音。

这里克隆一个大家非常熟悉的声音——雷总的声音。

原声参考：

合成文本：

前方3公里施工路段，为您切换沪昆高速。已为您预约十七点二十分到达高铁站，出口右转有蓝色遮阳棚，导航将持续为您更新路况。

合成声音：

可以明显地感受到，雷总的音色还原度非常高！

它不仅把雷总那股标志性的普通话味儿给复刻了，甚至连说话时那种“略带诚恳的语气”习惯都呈现出来了。

同时 VoiceDesign还有 跨语言能力，比如，你上传一段自己的中文录音，模型能让“你”说出地道的英语、日语或德语，而且保持音色一致性。

比如让雷总化身英语口语达人，开口说英语。

再换一个，克隆蔡徐坤的声音。

原声参考：

合成文本：

大家好，我是蔡徐坤。1998 年出生，舞台是我的主场，音乐是我的母语。从《偶像练习生》C 位断层出道，到《Hug me》全网刷屏，我一直用原创作品说话。歌手、制作人、演员，多面身份，一样炽热。下一束灯光亮起，我会继续用舞台炸响每一次心跳。请多关照！

合成声音：

音色还原度依旧很高！不过 这次会明显感受到声音的停顿有些许的不自然。

还有很新奇的“跨物种”克隆功能，简单来说就是，该模型能捕捉动物叫声的特征，然后让它说出人类语言（当然，这更多是娱乐应用）。

再来看纸面实力，DoiceClone（VC-Flash）的错误率比 ElevenLabs/GPT-4o 低 15%。

以前我们还在纠结AI声音不够自然，或许现在我们可能要开始担心：电话那头跟你聊天的，到底是不是真人？

目前，Qwen3-TTS 已在阿里云百炼和魔搭社区全面上线，感兴趣的可以去试玩一番。

扫码邀请进群，我们带你一起来玩转ChatGPT、GPT-4、文心一言、通义千问、讯飞星火等AI大模型，顺便学一些AI搞钱技能。