Qwen3-TTS

Qwen3-TTS 是阿里云通义实验室 Qwen 团队开源的新一代多语言语音合成（TTS）模型系列，于 2026 年 1 月正式发布。模型采用创新的离散多码本语言模型（Discrete Multi-codebook LM）架构，基于自研的 Qwen3-TTS-Tokenizer-12Hz 实现高效的声学压缩与高维语义建模。系列提供 0.6B 和 1.7B 两种参数规模的模型，包含 CustomVoice（定制语音）、VoiceDesign（声音设计）和 Base（语音克隆与微调）多个版本，全面覆盖从轻量部署到高质量合成的不同场景需求。

Qwen3-TTS 在功能完备性上树立了开源 TTS 的新标杆。语音克隆——Base 模型仅需 3 秒参考音频即可精准复刻说话人音色，支持跨语言克隆和说话人嵌入复用；声音设计——VoiceDesign 模型支持通过自然语言描述自定义声音风格（如“撒娇稚嫩的萝莉女声”），实现“所想即所听”的创意语音生成；流式合成——基于 Dual-Track 混合流式架构，端到端合成延迟最低仅 97ms，首个音频包可在单个字符输入后即刻输出，满足实时对话场景的严苛要求；指令控制——支持通过自然语言指令灵活控制音色、情感、语速和韵律，模型深度理解文本语义并自适应调整表达方式。

Qwen3-TTS 支持 10 种主流语言：中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语，同时提供多种方言音色配置以满足全球化应用需求。模型基于 Apache 2.0 协议开源，提供完整的 Python 包（qwen-tts）、WebUI 演示和 DashScope API 服务，并已获得 vLLM-Omni 的官方 Day-0 支持。项目在 GitHub 上已获得超过 1.2 万星标，可广泛应用于智能语音助手、有声内容创作、虚拟数字人、跨语言配音和实时语音交互等场景。