2025年12月24日，阿里巴巴在语音合成领域迈出重要一步，正式推出Qwen3-TTS系列的两大升级——音色创造模型Qwen3-TTS-VD与音色克隆模型Qwen3-TTS-VC。这标志着语音合成技术在自然度、可控性及多语言支持方面进入了全新阶段。

新发布的模型在语音生成质量上实现了显著突破，整体表现超越了当前同类先进模型。其中，音色创造模型支持通过自然语言描述生成个性化音色，用户可根据具体需求定制声线形象，具备高度可控的生成能力。在多项指令遵循评测中，该模型综合性能显著领先于多个主流语音模型，尤其在需要强调表达连贯性与沉浸感的角色模拟任务中，效果超越了现有技术方案。

音色克隆模型则专注于高精度声线复现，仅需三秒语音样本即可完成对原始音色的精准捕捉与重建。在多语言测试环境中，该模型展现出卓越的语音识别准确率与输出稳定性，词错率指标优于多个国际同类系统。同时，模型支持自动生成包括英语、德语、法语、西班牙语、日语、韩语、俄语、意大利语、葡萄牙语在内的九种语言语音，充分满足跨语言应用场景需求。

尤为突出的是，该技术不仅适用于人类声线模拟，还可对动物声音进行特征提取与重构。通过采集宠物原始发声，模型能够将其转化为接近人类语言表达的语音输出，实现拟人化的“说话”效果。

目前，两款模型均已通过Flash版本API形式上线云端平台，响应迅速，具备高并发处理能力，可全面满足工业级语音合成对效率与稳定性的要求。作为Qwen3-TTS系列的最新成员，这两款模型进一步丰富了语音生成的技术生态。

整个Qwen3-TTS系列目前已支持五十种音色选择，覆盖十大主流语言及八种地方方言，包括粤语、吴语、闽南语、四川话、北京话、南京话、天津话和陕西话，能够细致还原地域口音特征与语言韵律，为有声阅读、AI剧情演绎、影音配音等专业领域提供高度仿真的语音解决方案。