Qwen3-TTS多码本语音生成模型全系列开源

这里可以调整气泡内文字大小！滑动试试吧！ ×

12 px

26 px

Qwen3-TTS多码本全系列模型现已开源，包含1.7B和0.6B两种尺寸，其中1.7B模型追求极致性能，0.6B模型则平衡了性能与效率。Qwen3-TTS是由Qwen团队开发的一系列功能强大的语音生成模型，支持音色克隆、音色创造、高质量拟人化语音生成以及基于自然语言描述的语音控制，为开发者和用户提供了全面的语音生成解决方案。

Qwen3-TTS依托创新的Qwen3-TTS-Tokenizer-12Hz多码本语音编码器，实现了对语音信号的高效压缩和强大表征能力，不仅保留了副语言信息和声学环境特征，还能通过轻量级的非DiT架构实现高速、高保真的语音还原。该模型采用Dual-Track双轨建模，达成了极致的双向流式生成速度，首包音频仅需等待一个字符，端到端合成延迟低至97ms，满足了实时交互场景的严苛需求。

Qwen3-TTS覆盖10种主流语言及多种方言音色，具备强大的上下文理解能力，可根据指令和文本语义自适应调整语气、节奏与情感表达，并对输入文本噪声的鲁棒性有显著提升。在音色克隆、创造和控制等方面，Qwen3-TTS均达到了SOTA性能，音色创造和指令遵循能力超越MiniMax-Voice-Design等闭源模型，音色克隆稳定性表现也优于MiniMax和SeedTTS等模型。目前，Qwen3-TTS已在Github上开源，并可通过Qwen API进行体验。