当前位置:

首页 > 硬件相关 > Qwen3-TTS 全家桶开源上线

Qwen3-TTS 全家桶开源上线

Qwen3-TTS开源语音合成系统支持自然语言指令精细调控语音,自研编码器实现高保真压缩并保留副语言细节。采用非DiT轻量解码与Dual-Track双轨流式建模,首帧音频延迟低至97ms。提供1.7B和0.6B参数版本,原生支持10种语言及方言,多项评测指标超越开源闭源方案。

本文目录

    聊聊通义实验室刚放出的Qwen3-TTS。这套全新的语音合成系统,在音色复刻、个性化定制和拟真语音生成这些方向上,都拿出了不少硬货。最值得一提的是,它支持用自然语言指令来精细调控语音——这意味着你不再需要面对一堆复杂的参数面板,直接说“我想要更活泼一点、语速快一些”就能生效,对开发者也好、普通用户也好,门槛都低了很多。

    技术层面,核心引擎是自研的Qwen3-TTS-Tokenizer-12Hz多码本语音编码器,它做到了对原始语音的高保真压缩,同时保留住了语气、停顿、呼吸这些副语言细节,连录音环境里的微妙声学特征也不放过。更关键的是,它没有走流行的“LM+DiT”级联路线,而是用了轻量级的非DiT解码架构,效率更高,也更直接。在此基础上引入的Dual-Track双轨流式建模机制,实现了真正的低延迟生成——首个字符敲进去,首帧音频就已经出来了。

    目前整个模型系列已经开源,参数规模有1.7B和0.6B两个版本。1.7B版本追求极致的控制力和生成效果,0.6B版本则在效率和质量之间找到了很好的平衡点。原生支持10种主流语言,还覆盖了多种地域性方言音色——从中文、英语到日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语,全球化应用场景基本一网打尽。

    值得注意的是,它的上下文感知能力也很强。模型能够根据文本语义和用户指令,动态调整语调、节奏和情绪表达。哪怕输入文本里有些错别字、标点不全、或者说口语化表达,模型依然能保持稳定的合成表现,鲁棒性做得很到位。

    模型规格一览

    1.7B 模型

    0.6B 模型

    核心优势

    • 高保真语音表征能力:自研编码器兼顾了声学压缩与高维语义建模,副语言线索和环境声学特征都被完整捕获。配合非DiT轻量解码,实时性和还原度都不妥协。
    • 端到端统一建模范式:采用离散多码本语言模型架构,直接建模语音全维度信息,彻底摆脱传统级联范式的性能瓶颈和误差累积问题,泛化性、生成速度和上限表现都有了质的提升。
    • 毫秒级流式响应:Dual-Track混合框架让单模型同时支持流式和非流式模式,首个字符输入即可输出首段音频,端到端延迟低至97ms——实时对话、虚拟助手这类强交互场景,用起来很顺手。
    • 语义驱动的智能调控:用自然语言描述就能控制音色、情感、语速、韵律。文本理解模块自动匹配语气起伏和情绪张力,最终呈现出来的效果,可以说是“所思即所闻”。

    综合性能评测

    在音色克隆、音色创造、可控语音生成等关键任务上,Qwen3-TTS的表现相当抢眼,多项指标刷新了开源和闭源模型的纪录:

    • 音色创造任务中,指令遵循准确率和语音表现力都超过了MiniMax-Voice-Design闭源方案,大幅领先其他开源竞品;
    • 音色控制方面,平均词错率只有2.34%,跨语言泛化能力出色。风格一致性控制得分达到了75.4分(InstructTTS-Eval)。超长文本合成场景下,连续生成10分钟语音,中英文词错率分别稳定在2.36%和2.81%;
    • 音色克隆任务,中英文语音稳定性全面优于MiniMax和SeedTTS。在10类语种评估中,平均词错率1.835%,说话人相似度0.789,双优成绩超越了MiniMax和ElevenLabs。跨语种音色迁移能力也不弱于CosyVoice3,达到了当前的SOTA水平。

    Tokenizer 重构性能

    在LibriSpeech test-clean数据集上的语音重建质量评估,也验证了编码器的实力:

    • 感知语音质量(PESQ)宽带得分3.21,窄带得分3.68;
    • 短时客观可懂度(STOI)达到0.96,UTMOS主观质量评分4.16;
    • 说话人相似度指标拿下0.95分——近乎无损地保留了原始说话人的身份特征,对比效果立竿见影。

    总结一下,Qwen3-TTS在语音合成的核心环节都拿出了实打实的进步:编码更加高效,架构更加直接,控制更加灵活,表现也更加稳定。对于正在寻找高质量语音合成方案的团队来说,这套开源模型的推出,意味着又多了一个值得深度研究的选择。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    硬件相关
    相关文章 更多
    Qwen 衍生模型数量突破 20 万,全球首个!
    Qwen 衍生模型数量突破 20 万,全球首个!

    基于Qwen构建的衍生模型总数突破20万,成为全球首个达此规模的开源大语言模型系列。累计下载量超10亿次,日均110万次,领跑全球开源模型下载榜。模型参数涵盖1.8B至72B,衍生模型日增超200个,覆盖机器人、编程、图像处理、翻译等领域。

    阿里Qwen团队教机器人
    阿里Qwen团队教机器人"举一反三"

    阿里Qwen团队提出QWEN-ROBOTMANIP视觉-语言-动作基础模型,通过三层对齐机制统一多源机器人数据,并利用人类手部视频合成训练数据。该模型在跨机器人、跨场景的零样本迁移任务中表现优异,显著提升机器人从没见过场景中的操作成功率。

    通义千问 Qwen3 大模型成功完成太空在轨部署
    通义千问 Qwen3 大模型成功完成太空在轨部署

    2025年11月,国星宇航将通义千问Qwen3大语言模型部署至太空计算中心,全球首次实现通用大模型在轨稳定运行。地面指令上传后,星上大模型实时推理并回传结果,耗时不足120秒。同时,人形机器人“具身天工”接入低轨卫星,完成具身智能与卫星直连实测。

    Qwen-Image-3.0正式上线千问AI平台,榜单排名国内第一
    Qwen-Image-3.0正式上线千问AI平台,榜单排名国内第一

    阿里云8月4日上线千问图像生成模型Qwen-Image-3.0,开放Pro和Standard版API,文生图最低0.18元/张,海外可通过QwenCloud接入。该模型在Arena.ai文生图榜单中排名国内第一。

    阿里最新AI图像模型Qwen-Image-3.0发布:PixPix率先接入
    阿里最新AI图像模型Qwen-Image-3.0发布:PixPix率先接入

    7月21日,阿里正式发布了新一代图像生成基础模型——Qwen-Image-3.0。作为千问系列图像生成与编辑模型的第三代核心版本,这波升级重点放在了理解力、表达力和实用性上。它最大能支持4.5k token的超长文本输入,这意味着你可以一次性丢进去包含数学公式、几何图形、逻辑推导过程的各种复杂指令,

    【淘金互动易】阿里真武芯片超节点适配Qwen3.8,超节点成算力基础设施重要发展方向,这些公司回应布局情况
    【淘金互动易】阿里真武芯片超节点适配Qwen3.8,超节点成算力基础设施重要发展方向,这些公司回应布局情况

    人民财讯7月23日电,近期,超节点概念持续活跃,市场关注度一路走高。 消息面上,阿里云方面透露,阿里真武M890超节点已成功适配Qwen3.8,并上线阿里云百炼平台提供模型推理服务。这标志着国内首个成功运行超2万亿参数大模型的超节点正式落地,意义不言而喻。 从上市公司层面看,近期多家企业在互动平台回

    阿里云:真武芯片超节点已成功适配Qwen3.8
    阿里云:真武芯片超节点已成功适配Qwen3.8

    7月23日,阿里云这边放出一个重磅消息:真武M890超节点已经成功适配Qwen3.8,并且同步上线了阿里云百炼平台,直接向开发者提供模型推理服务。这可不是一般的进展——它是国内第一个真正跑通超2万亿参数大模型的超节点。从性能指标到工程落地,这一步都算得上里程碑式的突破。

    真武芯片超节点适配Qwen3.8
    真武芯片超节点适配Qwen3.8

    真武M890超节点成功适配Qwen3.8旗舰模型,凭借64张芯片实现800GB/s高速互联,并配备9TB显存,从而有效支撑2.4万亿参数规模。经过全链路优化后,其Agentic推理性能提升高达1.5倍,显著增强了模型运行效率,为大规模AI应用提供强大算力支撑。

    阿里Qwen-Robot 系列发布 让机器人会想会走会动手
    阿里Qwen-Robot 系列发布 让机器人会想会走会动手

    就在6月17日,Qwen团队正式推出了一套机器人套件,包含三个基础模型:Qwen-RobotNa v、Qwen-RobotManip和Qwen-RobotWorld。这套模型的核心思路,是把大语言模型的语义理解能力,精准对接到不同类型的物理动作上——换句话说,让“语言”能直接指挥“机器”干实事。 先

    苹果CoreAI首批基准出炉,Qwen3 0.6B大幅领先,8B几乎追平MLX
    苹果CoreAI首批基准出炉,Qwen3 0.6B大幅领先,8B几乎追平MLX

    苹果CoreAI引擎取代CoreML,专注端侧大模型推理。M4Mac上Qwen30.6B解码速度达MLX的2.47倍,8B持平。持续负载下GPU易降频,CoreML配合神经引擎更稳定。谷歌LiteRT-LM内存效率优于MLX。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。