1月22日消息，据千问Qwen微信公众号发布，Qwen3-TTS多码本全系列模型现已正式开源。该系列包含1.7B和0.6B两种参数规模，其中1.7B版本致力于提供极致性能，0.6B版本则在性能与效率间取得了精妙平衡。
据介绍，Qwen3-TTS是由Qwen团队开发的一系列功能强大的语音生成模型。它全面支持音色克隆、音色创造、超高拟人化语音合成，以及基于自然语言描述的语音控制，为开发者和用户提供了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大表征能力。它不仅完整保留了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，首个音频包仅需等待一个字符的处理时间。
据业内人士了解，该模型覆盖中文、英文、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语等10种主流语言及多种方言音色，可以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。目前模型已在Github上开源，同时也可通过Qwen官方API进行体验。
已开源模型列表
1.7B 参数模型
0.6B 参数模型
Qwen3-TTS 核心特性
主要特点：
强大的语音表征：基于自研Qwen3-TTS-Tokenizer-12Hz，实现了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方案中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。极致低延迟流式生成：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。
模型性能表现
我们对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业界领先的SOTA性能。具体来说：
在音色创造任务上，Qwen3-TTS-VoiceDesign在InstructTTS-Eval中指令遵循能力和生成表现力都整体超越MiniMax-Voice-Design闭源模型，并大幅领先其余开源模型。在音色控制任务上，Qwen3-TTS-Instruct不仅具备单人多语言的泛化能力，平均词错率低至2.34%；同时具备保持音色的风格控制能力，在InstructTTS-Eval评测中取得了75.4%的高分；此外，也展现出卓越的长语音生成能力，一次性合成10分钟语音的中英文词错率仅为2.36%/2.81%。在音色克隆任务上，Qwen3-TTS-VoiceClone在Seed-tts-eval评测中，中英文克隆的语音稳定性表现上均超越MiniMax和SeedTTS；在TTS multilingual test set上10个语项中取得了1.835%的平均词错误率和0.789的说话人相似度，超越MiniMax和ElevenLabs；跨语种音色克隆效果也超越CosyVoice位居业界前列。
编码器性能
我们对Qwen-TTS-Tokenizer进行了语音重构评估，在LibriSpeech test-clean set上的结果显示其在关键指标上都达到了极高水平。具体来说，在感知语音质量评估中，Qwen-TTS-Tokenizer在宽带和窄带上分别取得了3.21和3.68的高分，大幅领先同类编码器。在短时客观可懂度以及UTMOS评分上，Qwen-TTS-Tokenizer分别取得了0.96和4.16的分数，展现出卓越的还原质量。在说话人相似度上，Qwen-TTS-Tokenizer取得了0.95的分数，显著超越对比模型，表明其具备近乎无损的说话人信息保留能力。
