千問團隊近日宣布，其自主研發(fā)的Qwen3-TTS多碼本全系列語音生成模型正式開源，包含1.7B參數(shù)和0.6B參數(shù)兩個版本。其中1.7B版本在性能表現(xiàn)上達到行業(yè)頂尖水平，0.6B版本則實現(xiàn)了性能與效率的平衡優(yōu)化。該系列模型已通過GitHub平臺開放下載，同時提供Qwen API接口供開發(fā)者體驗。

作為新一代語音生成技術(shù)，Qwen3-TTS突破性地采用離散多碼本語言模型架構(gòu)，通過自研的Qwen3-TTS-Tokenizer-12Hz語音編碼器，實現(xiàn)了對語音信號的高效壓縮與語義建模。該技術(shù)不僅完整保留了語氣、語調(diào)等副語言信息，還能在非擴散變換器（非DiT）架構(gòu)下完成高保真語音重建。實驗數(shù)據(jù)顯示，其端到端合成延遲最低可達97毫秒，支持在輸入單個字符后立即生成音頻流。

在功能實現(xiàn)方面，該模型系列展現(xiàn)出三大核心優(yōu)勢：其一，支持跨語言音色克隆與創(chuàng)造，覆蓋中、英、日、韓等十種主流語言及多種方言；其二，具備智能語音控制能力，可通過自然語言指令調(diào)節(jié)音色、情感、節(jié)奏等參數(shù)；其三，創(chuàng)新采用Dual-Track雙軌建模技術(shù)，使單個模型同時兼容流式與非流式生成模式。特別在長語音生成場景中，模型可一次性合成10分鐘音頻，中英文混合語料的詞錯率分別控制在2.36%和2.81%。

技術(shù)評估顯示，Qwen3-TTS在多個專項任務(wù)中達到國際領(lǐng)先水平。在音色創(chuàng)造任務(wù)中，其VoiceDesign模塊在指令遵循準確率和生成表現(xiàn)力方面超越MiniMax閉源模型；在音色控制任務(wù)中，Instruct模塊取得75.4%的評估分數(shù)，同時保持2.34%的平均詞錯率；在跨語言音色克隆任務(wù)中，VoiceClone模塊在10個語種測試集中取得1.835%的平均詞錯率和0.789的說話人相似度。這些指標均優(yōu)于同期發(fā)布的CosyVoice3等開源模型。

語音編碼器的性能驗證同樣亮眼。在LibriSpeech標準測試集中，Qwen-TTS-Tokenizer的感知語音質(zhì)量評估（PESQ）得分達寬帶3.21/窄帶3.68，短時客觀可懂度（STOI）達0.96，語音質(zhì)量評估（UTMOS）達4.16，說話人相似度評估達0.95。這些數(shù)據(jù)表明，該編碼器在語音重構(gòu)質(zhì)量、信息保留完整度等關(guān)鍵指標上均處于行業(yè)前沿。

目前，開發(fā)者可通過GitHub獲取完整模型代碼與訓練數(shù)據(jù)集，或直接調(diào)用Qwen API進行快速集成。該系列模型的開源將顯著降低語音生成技術(shù)的研發(fā)門檻，為智能客服、有聲內(nèi)容制作、無障礙交互等領(lǐng)域提供新的技術(shù)解決方案。據(jù)團隊透露，后續(xù)將持續(xù)優(yōu)化模型在低資源設(shè)備上的部署效率，并擴展更多語言的支持能力。