近日，Qwen團隊宣布其研發的Qwen3-TTS多碼本全系列語音生成模型正式開源，包含1.7B和0.6B兩種參數規模的版本。其中1.7B版本側重極致性能表現，0.6B版本則在效率與性能間取得平衡。該系列模型通過創新架構實現多項技術突破，為語音生成領域帶來全新解決方案。
模型核心優勢體現在三大技術維度：首先采用自研的Qwen3-TTS-Tokenizer-12Hz多碼本編碼器，在保持輕量化架構的同時實現高保真語音還原，完整保留聲學環境特征與副語言信息；其次通過Dual-Track雙軌建模架構，實現流式與非流式生成的兼容，端到端合成延遲低至97ms，首包音頻響應速度突破至單字符級別；最后基于離散多碼本LM架構的端到端設計，有效規避傳統級聯方案的信息損耗問題，顯著提升生成質量上限。
在功能實現層面，該系列模型支持全場景語音生成需求：覆蓋中、英、日、韓等10種主流語言及多種方言音色，具備零樣本跨語種音色遷移能力；通過自然語言指令即可動態調控音色、情感、韻律等20余種聲學參數；創新性的上下文感知模塊可自動適配文本語義，在噪聲環境下仍保持98.7%的指令理解準確率。開發者可通過GitHub獲取開源代碼，或直接調用Qwen API進行快速集成。
性能評估數據顯示，在音色創造任務中，Qwen3-TTS-VoiceDesign在InstructTTS-eval基準測試中，指令遵循準確率達92.3%，生成表現力評分超越MiniMax等閉源模型；音色控制任務方面，Qwen3-TTS-Instruct實現單模型多語言生成，平均詞錯率僅2.34%，長語音生成穩定性領先行業水平；音色克隆任務中，跨語種克隆相似度達0.95，在Seed-tts-eval測試集上語音穩定性指標全面超越ElevenLabs等主流模型。
配套開發的Qwen-TTS-Tokenizer在語音重構質量上取得突破性進展：在LibriSpeech測試集中，寬帶PESQ評分達3.21，窄帶評分3.68；STOI可懂度指標0.96，UTMOS綜合評分4.16，三項關鍵指標均刷新開源模型紀錄。特別在說話人特征保留方面，相似度評分0.95的表現，證明其近乎無損的聲紋信息傳遞能力。目前該技術棧已形成完整工具鏈，支持從語音編碼到生成的全流程優化。
