IT之家 12 月 24 日消息，阿里通義今日官宣，Qwen3-TTS 家族新推出兩款模型，音色創(chuàng)造模型 Qwen3-TTS-VD-Flash 和音色克隆模型 Qwen3-TTS-VC-Flash。IT之家附模型主要特點(diǎn)如下：

音色創(chuàng)造：Qwen3-TTS-VD-Flash 支持復(fù)雜自然語言指令輸入，實(shí)現(xiàn)對音色、韻律、情感、人設(shè)等的精細(xì)化調(diào)控，實(shí)現(xiàn)從“說什么”到“如何說”的全面掌控，可以讓用戶自由地定義想要的音色，徹底擺脫只能進(jìn)行根據(jù)已有的音色進(jìn)行克隆或者只能選擇固定的一部分預(yù)設(shè)音色。在 InstructTTS-eval 中綜合表現(xiàn)顯著優(yōu)于 GPT-4o-mini-tts、Mimo-audio-7b-instruct，在角色扮演測試中也超越 Gemini-2.5-pro-preview-tts。音色克隆：Qwen3-TTS-VC-Flash 支持 3s 級別音色克隆，并且可以基于克隆的音色生成中文、英文、德語、意大利語、葡萄牙語、西班牙語、日語、韓語、法語、俄語等 10 大主流語言。在 MiniMax TTS Multilingual Test Set 上，平均詞錯(cuò)誤率（WER）全面優(yōu)于 MiniMax、ElevenLabs 及 GPT-4o-Audio-Preview。高表現(xiàn)力：Qwen3-TTS-VD-Flash 和 Qwen3-TTS-VC-Flash 具備高表現(xiàn)力的擬人化音色，能夠穩(wěn)定、可靠地輸出高度契合輸入文本的語音內(nèi)容，并根據(jù)文本語義自動(dòng)調(diào)節(jié)語氣節(jié)奏，呈現(xiàn)自然生動(dòng)的表達(dá)效果。魯棒的文本能力：Qwen3-TTS-VD-Flash 和 Qwen3-TTS-VC-Flash 具備強(qiáng)大的文本解析能力，可自動(dòng)處理復(fù)雜文本結(jié)構(gòu)，精準(zhǔn)提取關(guān)鍵信息，對多樣化、非規(guī)范化的文本格式展現(xiàn)出較強(qiáng)的魯棒性（IT之家注：robustness，系統(tǒng)在面臨內(nèi)部結(jié)構(gòu)或外部環(huán)境的改變時(shí)維持功能穩(wěn)定運(yùn)行的能力）。Qwen3-TTS-VD-Flash

Qwen3-TTS 支持通過自然語言描述生成定制化的音色形象。用戶可以隨意輸入聲學(xué)屬性、人設(shè)描述、背景信息等自由描述，輕松創(chuàng)造出自己期望的聲音形象。

可控生成：在 InstructTTS-eval 中，Qwen3-TTS 綜合表現(xiàn)顯著優(yōu)于 GPT-4o-mini-tts、Mimo-audio-7b-instruct，在角色扮演測試中也超越 Gemini-2.5-pro-preview-tts。

Qwen3-TTS-VC-Flash

Qwen3-TTS 支持通過自然 3s 級別音色克隆，并且可以基于克隆的音色生成多語種音頻，同時(shí)對復(fù)雜文本和野生音頻都有較高的魯棒性。

多語種音色克隆：在 MiniMax TTS Multilingual Test Set 上，Qwen3-TTS 在中、英、法、意大利等語項(xiàng)的內(nèi)容穩(wěn)定性優(yōu)于 MiniMax、ElevenLabs 及 GPT-4o-Audio-Preview；其平均詞錯(cuò)誤率（WER）位居第一。

Qwen3-TTS-Voice-Design API 文檔：

Qwen3-TTS-Voice-Clone API 文檔：