Qwen3-TTS 全家桶正式开源！支持 10 种语言 + 音色克隆 低延迟达 97ms

2026 年 1 月 22 日，千问 Qwen 正式宣布开源重磅语音生成产品 ——Qwen3-TTS 全家桶。该系列模型全面覆盖音色克隆、音色创造、超高质量拟人化语音生成及自然语言驱动的语音控制能力，凭借创新技术架构实现 “高速、高保真、高可控” 的语音生成体验，已在 Github、ModelScope、HuggingFace 三大平台同步开放，为全球开发者与用户提供一站式语音生成解决方案。

核心亮点：四大技术突破重构语音生成体验 1. 超强语音表征：无损保留原声特征 Qwen3-TTS 搭载自研Qwen3-TTS-Tokenizer-12Hz多码本语音编码器，可实现语音信号的高效声学压缩与高维语义建模，不仅完整保留副语言信息（语气、情感）及声学环境特征，还能通过轻量级非 DiT 架构达成高保真语音还原，在感知语音质量评估（PESQ）、短时客观可懂度（STOI）等关键指标上均达到 SOTA 水平。 2. 端到端架构：规避级联误差 采用离散多码本 LM 架构，实现语音全信息端到端建模，彻底解决传统 LM+DiT 方案的信息瓶颈与级联误差问题，大幅提升模型通用性、生成效率与效果上限，无需复杂链路即可输出高质量语音。 3. 极致低延迟：97ms 实现实时交互 创新Dual-Track 混合流式生成架构让单模型同时兼容流式与非流式生成，输入单字即可输出音频首包，端到端合成延迟低至 97ms，满足实时对话、直播互动等对延迟要求严苛的场景。 4. 智能语音控制：“所想即所听” 支持自然语言指令驱动的多维声学属性调控（音色、情感、韵律等），并深度融合文本语义理解，可根据内容自适应调整语气、节奏与情感表达，实现拟人化程度极高的语音生成，同时对输入文本噪声的鲁棒性显著提升。 技术架构解析：双轨建模 + 多码本设计 Qwen3-TTS 的核心技术优势源于两大创新设计： 多码本语音编码：自研 Tokenizer 实现高效压缩与强表征，在 LibriSpeech test-clean set 中，宽带 PESQ 达 3.21、窄带 PESQ 达 3.68，STOI 达 0.96、UTMOS 达 4.16，说话人相似度高达 0.95，近乎无损保留说话人信息； Dual-Track 双轨建模：创新混合流式生成方案，兼顾流式实时输出与非流式高质量生成，首包音频仅需等待一个字符，平衡速度与效果。 性能表现：多项任务达成 SOTA 数据亮眼 Qwen3-TTS 在音色创造、控制、克隆三大核心任务中全面超越同类模型，实测数据如下： 音色创造：Qwen3-TTS-VoiceDesign 在 InstructTTS-Eval 中，指令遵循能力与生成表现力整体超越 MiniMax-Voice-Design 闭源模型，大幅领先其他开源方案； 音色控制：Qwen3-TTS-Instruct 支持单人多语言泛化，平均词错率仅 2.34%；保持音色的风格控制得分为 75.4%，可一次性合成 10 分钟长语音，中英词错率分别低至 2.36%、2.81%； 音色克隆：在 Seed-tts-eval、TTS multilingual test set 等权威评测中，中英文克隆语音稳定性超越 MiniMax、SeedTTS 等竞品，10 个语项平均词错率 1.835%、说话人相似度 0.789，跨语种克隆能力位居 SOTA。 开源资源与模型选择：双尺寸适配多元需求 本次开源的 Qwen3-TTS 全家桶包含两种尺寸模型，满足不同场景需求： 1.7B 模型：极致性能取向，具备最强的语音控制与生成能力，适合对效果要求严苛的生产环境； 0.6B 模型：性能与效率均衡，轻量化设计适配端侧部署或资源受限场景。 用户可通过以下平台直接体验或下载模型： ModelScope：https://www.modelscope.cn/collections/Qwen/Qwen3-TTS HuggingFace：https://huggingface.co/collections/Qwen/qwen3-tts Github：https://github.com/QwenLM/Qwen3-TTS 应用场景展望：覆盖全球化多场景需求 Qwen3-TTS 支持中文、英文、日语、韩语、德语等10 种主流语言及多种方言音色，可广泛应用于： 实时交互场景：智能客服、语音助手、直播互动等（低延迟特性适配）； 内容创作场景：视频配音、有声书制作、多角色对话生成（音色创造与克隆能力）； 全球化应用：跨境电商播报、多语言课程录制、国际会议同传辅助（多语种支持）； 个性化需求：定制化语音包、无障碍辅助工具、虚拟人语音驱动等。 Qwen3-TTS 的开源不仅为开发者提供了高性能、全功能的语音生成工具，更推动了语音 AI 技术的普惠化发展。未来，千问 Qwen 团队将持续迭代模型能力，进一步拓展语音生成的应用边界。