近日，語音生成領域迎來重要進展，Qwen3-TTS全家桶正式開源上線，為開發者與用戶帶來功能全面的語音生成解決方案。該系列模型由Qwen團隊開發，支持音色克隆、音色創造、超高質量擬人化語音生成，以及基于自然語言描述的語音控制，覆蓋從創作到應用的完整需求。
技術層面，Qwen3-TTS通過創新的多碼本語音編碼器Qwen3-TTS-Tokenizer-12Hz，實現了對語音信號的高效壓縮與精準表征。這一設計不僅完整保留了副語言信息（如語調、重音）和聲學環境特征，還通過輕量級非DiT架構實現高速、高保真的語音還原。其Dual-Track雙軌建模技術進一步優化了生成效率，首包音頻的響應時間縮短至僅需一個字符的輸入，顯著提升了實時交互體驗。
開源模型包含1.7B和0.6B兩種參數規模，滿足不同場景需求。1.7B版本以極致性能見長，具備強大的控制能力，可精準匹配復雜指令；0.6B版本則在性能與效率間取得平衡，適合資源受限的輕量化應用。模型支持10種主流語言（包括中文、英文、日語、韓語等）及多種方言音色，覆蓋全球用戶需求，為跨語言應用提供技術支撐。
在功能擴展上，Qwen3-TTS展現出強大的上下文適應能力。模型可根據文本語義和用戶指令動態調整語氣、節奏與情感表達，例如將陳述句轉化為疑問語氣，或通過語速變化傳遞緊迫感。其對輸入文本噪聲（如錯別字、標點缺失）的魯棒性顯著提升，確保在非理想條件下仍能生成穩定、自然的語音輸出。目前，該系列模型已通過GitHub開源，并開放Qwen API接口供開發者快速集成。
