Qwen3-TTS 语音生成模型全家桶开源上线

as22

1月23日消息，据千问Qwen微信公众号消息，Qwen3-TTS 多码本全系列模型均已开源，包含1.7B和0.6B两种尺寸，1.7B可以达到极致性能，具有强大的控制能力，0.6B均衡性能与效率。

据介绍，Qwen3-TTS是由Qwen开发的一系列功能强大的语音生成，全面支持音色克隆、音色创造、超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，为开发者与用户提供最全面的语音生成功能。

依托创新的 Qwen3-TTS-Tokenizer-12Hz 多码本语音编码器，Qwen3-TTS 实现了对语音信号的高效压缩与强表征能力，不仅完整保留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。Qwen3-TTS 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。

据悉，模型覆盖10种主流语言（中文、英文、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语）及多种方言音色，满足全球化应用需求。同时，模型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。目前已经在Github上开源同时也可通过Qwen API体验。

Qwen3-TTS主要特点如下：

强大的语音表征：基于自研 Qwen3-TTS-Tokenizer-12Hz，实现语音信号的高效声学压缩与高维语义建模，完整保留副语言信息及声学环境特征，并可通过轻量级的非 DiT 架构实现高效、高保真语音还原。

通用的端到端架构：采用离散多码本 LM 架构，实现语音全信息端到端建模，彻底规避传统 LM+DiT 方案的信息瓶颈与级联误差，显著提升模型的通用性、生成效率与效果上限。

高极致的低延迟流式生成：基于创新的 Dual-Track 混合流式生成架构，单模型同时兼容流式与非流式生成，最快可在输入单字后即刻输出音频首包，端到端合成延迟低至 97ms，满足实时交互场景的严苛需求。

智能的文本理解与语音控制：支持自然语言指令驱动的语音生成，灵活调控音色、情感、韵律等多维声学属性；同时深度融合文本语义理解，自适应调节语气、节奏、情感与韵律，实现“所想即所听”的拟人化表达。

另外，千问对Qwen3-TTS在音色克隆、创造、控制等方面进行了全面评估，结果显示其在多项指标上都达到了SOTA性能。

还对Qwen3-TTS在音色克隆、创造、控制等方面进行了全面评估，结果显示其在多项指标上都达到了SOTA性能。