通义千问 Qwen3-TTS 正式发布： 97ms 超低延迟，支持语音克隆和语音设计

通义千问团队发布了 Qwen3-TTS ，一个开源的文本转语音（ TTS ）模型系列，在语音生成质量和速度方面都有显著提升。

介绍： https://qwen3ttsai.com/ ，包含完整的产品介绍、在线体验、技术文档和使用指南。

官方推文： https://x.com/Alibaba_Qwen/status/2014326211913343303

核心亮点

• 97ms 超低延迟：端到端合成延迟低至 97ms ，支持流式生成，单个字符输入后即可输出首个音频包

• 3 秒快速语音克隆：仅需 3 秒音频即可克隆任何声音

• 自由语音设计：使用自然语言描述创建自定义语音，支持灵活控制音色、情感和韵律

• 10 种主要语言支持：中文、英文、日文、韩文、德文、法文、俄文、葡萄牙文、西班牙文、意大利文

• 完全开源：Apache-2.0 许可证，可免费商用

技术架构

• 基于 Qwen3-TTS-Tokenizer-12Hz ，实现高效的声学压缩和高维语义建模

• 离散多码本 LM 架构，实现全信息端到端语音建模

• 创新的双轨混合流式生成架构，支持流式和非流式生成

模型版本

• CustomVoice：9 种预设优质音色，支持自然语言指令控制

• VoiceDesign：基于用户描述进行语音设计

• Base：3 秒快速语音克隆，可用于微调其他模型

提供 0.6B 和 1.7B 两种参数量版本。