通义千问Qwen3-TTS两款AI语音模型发布：支持定制与声音复刻

12月24日消息，阿里通义今日正式发布Qwen3-TTS家族的两款全新模型：音色创造模型Qwen3-TTS-VD-Flash与音色克隆模型Qwen3-TTS-VC-Flash。两款模型的主要特性如下：

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

音色创造：Qwen3-TTS-VD-Flash支持用户通过复杂、自然的语言指令输入，实现对音色、韵律、情感乃至人设的精细化调控。它让用户能够全面掌控从“说什么”到“如何说”的整个过程，自由定义心中想要的语音特质。这彻底改变了以往只能克隆现有音色，或是在有限预设音色库中进行选择的局面。
在InstructTTS-Eval评测中，其综合表现显著优于GPT-4o-mini-tts和Mimo-audio-7b-instruct；在角色扮演测试中也超越了Gemini-2.5-pro-preview-tts。

音色克隆：Qwen3-TTS-VC-Flash支持仅需3秒音频即可完成音色克隆，并能基于克隆出的音色，生成涵盖中文、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10大主流语言的语音。
在MiniMax TTS Multilingual Test Set上，其平均词错误率（WER）全面低于MiniMax、ElevenLabs及GPT-4o-Audio-Preview。

高表现力：无论是Qwen3-TTS-VD-Flash还是Qwen3-TTS-VC-Flash，都具备高度拟人化的自然音色。它们能够稳定、可靠地输出与文本内容高度契合的语音，并依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：两款模型均拥有强大的文本解析能力，可自动处理复杂文本结构，精准提取关键信息。对于多样化、非规范化的文本格式，都展现出较强的鲁棒性（注：鲁棒性指系统在面临内部结构或外部环境的变化时，维持功能稳定运行的能力）。

Qwen3-TTS-VD-Flash

该模型支持用户通过自然语言描述来生成定制化的音色形象。您只需随意输入有关声学属性、人设描述、背景信息等自由描述，即可轻松创造出自己期望的语音形象。

可控的生成质量：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。

Qwen3-TTS-VC-Flash

该模型支持通过自然语音进行3秒级别的音色克隆。基于克隆出的音色，可生成多语种音频，同时对复杂文本和带有环境背景音的“野生”音频都具有较高的处理鲁棒性。

多语种音色克隆：在MiniMax TTS Multilingual Test Set上，Qwen3-TTS在中、英、法、意等语种的内容稳定性方面优于MiniMax、ElevenLabs及GPT-4o-Audio-Preview；其平均词错误率（WER）也位居第一。

Qwen3-TTS-Voice-Design API 文档：

https://www.alibabacloud.com/help/zh/model-studio/qwen-tts-voice-design?spm=a2ty_o06.30285417.0.0.56a0c9216Ey6VM

Qwen3-TTS-Voice-Clone API 文档：

https://www.alibabacloud.com/help/zh/model-studio/qwen-tts-voice-cloning?spm=a2ty_o06.30285417.0.0.56a0c921WnHNlN