Qwen3-TTS上新：阿里通义自研语音模型，可复刻可定制

12月24日，据IT之家消息，阿里通义今日正式发布Qwen3-TTS家族的两款新模型：声音创作模型Qwen3-TTS-VD-Flash和声音克隆模型Qwen3-TTS-VC-Flash。两款模型的核心亮点整理如下：

声音创作：Qwen3-TTS-VD-Flash能够理解复杂的自然语言指令，实现对音色、韵律、情感乃至人物设定的精细化调控，真正掌握从“说什么”到“如何说”的完整表达。用户得以自由定义想要的声音效果，彻底摆脱只能依赖现有音色进行克隆，或从有限预设音色库中做选择的束缚。在InstructTTS-Eval评测中，其综合表现显著优于GPT-4o-mini-tts和Mimo-audio-7b-instruct；在角色扮演测试中，其表现也超越了Gemini-2.5-pro-preview-tts。

声音克隆：Qwen3-TTS-VC-Flash支持仅需3秒音频即可完成高质量的语音克隆，并能在克隆音色的基础上，流畅生成中文、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语等全球十大主流语言的语音。在MiniMax TTS多语言测试集上，其平均词错误率（WER）全面低于MiniMax、ElevenLabs及GPT-4o-Audio-Preview，展现出优异的准确性。

高表现力：无论是Qwen3-TTS-VD-Flash还是Qwen3-TTS-VC-Flash，均能生成高度拟人化、富有表现力的音色。它们能够稳定可靠地输出与输入文本高度契合的语音内容，并能根据文本语义自动调节语气节奏，呈现出自然生动的表达效果。

鲁棒的文本能力：Qwen3-TTS-VD-Flash和Qwen3-TTS-VC-Flash具备强大的文本解析能力，可自动处理复杂的文本结构，精准提取关键信息。面对多样化、非规范的文本格式时，两者均展现出较强的鲁棒性（IT之家注：robustness，指系统在内部结构或外部环境发生变化时，维持功能稳定运行的能力）。

定制化声音形象：Qwen3-TTS支持通过自然语言描述生成定制化的声音形象。用户可以随意输入声学属性、人设描述、背景信息等自由描述，轻松创造出符合自己期望的声音形象。

可控生成：在InstructTTS-Eval评测中，Qwen3-TTS的综合表现显著优于GPT-4o-mini-tts和Mimo-audio-7b-instruct，在角色扮演测试中也超越了Gemini-2.5-pro-preview-tts，显示出精准的指令跟随与生成控制能力。

高效语音克隆：Qwen3-TTS支持仅凭约3秒的音频样本实现高质量的语音克隆，并可基于克隆出的音色生成多语种语音。同时，模型对复杂文本和带有噪音的原始音频都具有较高的鲁棒性。

多语种声音克隆：在MiniMax TTS多语言测试集上，Qwen3-TTS在中文、英文、法语、意大利语等各项评测中的内容稳定性优于MiniMax、ElevenLabs及GPT-4o-Audio-Preview；其平均词错误率（WER）在所有参评模型中排名第一。

相关文档：Qwen3-TTS-Voice-Design API 文档

相关文档：Qwen3-TTS-Voice-Clone API 文档