千問團隊近日宣布，其自主研發的Qwen3-TTS多碼本全系列語音生成模型正式開源，包含1.7B參數和0.6B參數兩個版本。其中1.7B版本在性能表現上達到行業頂尖水平，0.6B版本則實現了性能與效率的平衡優化。該系列模型已通過GitHub平臺開放下載，同時提供Qwen API接口供開發者體驗。
作為新一代語音生成技術，Qwen3-TTS突破性地采用離散多碼本語言模型架構，通過自研的Qwen3-TTS-Tokenizer-12Hz語音編碼器，實現了對語音信號的高效壓縮與語義建模。該技術不僅完整保留了語氣、語調等副語言信息，還能在非擴散變換器（非DiT）架構下完成高保真語音重建。實驗數據顯示，其端到端合成延遲最低可達97毫秒，支持在輸入單個字符后立即生成音頻流。
在功能實現方面，該模型系列展現出三大核心優勢：其一，支持跨語言音色克隆與創造，覆蓋中、英、日、韓等十種主流語言及多種方言；其二，具備智能語音控制能力，可通過自然語言指令調節音色、情感、節奏等參數；其三，創新采用Dual-Track雙軌建模技術，使單個模型同時兼容流式與非流式生成模式。特別在長語音生成場景中，模型可一次性合成10分鐘音頻，中英文混合語料的詞錯率分別控制在2.36%和2.81%。
技術評估顯示，Qwen3-TTS在多個專項任務中達到國際領先水平。在音色創造任務中，其VoiceDesign模塊在指令遵循準確率和生成表現力方面超越MiniMax閉源模型；在音色控制任務中，Instruct模塊取得75.4%的評估分數，同時保持2.34%的平均詞錯率；在跨語言音色克隆任務中，VoiceClone模塊在10個語種測試集中取得1.835%的平均詞錯率和0.789的說話人相似度。這些指標均優于同期發布的CosyVoice3等開源模型。
語音編碼器的性能驗證同樣亮眼。在LibriSpeech標準測試集中，Qwen-TTS-Tokenizer的感知語音質量評估（PESQ）得分達寬帶3.21/窄帶3.68，短時客觀可懂度（STOI）達0.96，語音質量評估（UTMOS）達4.16，說話人相似度評估達0.95。這些數據表明，該編碼器在語音重構質量、信息保留完整度等關鍵指標上均處于行業前沿。
目前，開發者可通過GitHub獲取完整模型代碼與訓練數據集，或直接調用Qwen API進行快速集成。該系列模型的開源將顯著降低語音生成技術的研發門檻，為智能客服、有聲內容制作、無障礙交互等領域提供新的技術解決方案。據團隊透露，后續將持續優化模型在低資源設備上的部署效率，并擴展更多語言的支持能力。
