Qwen3-TTS 是阿里云通义千问（Qwen）团队于 2026 年初开源的语音合成模型系列，基于自研 Qwen3-TTS-Tokenizer-12Hz，支持稳定的、富有表现力的流式语音生成，以及自由语音设计与生动的语音克隆，是功能最全面的开源 TTS 之一。

核心特性

• 十语种全覆盖：支持中文、英文、日文、韩文、德文、法文、俄文、葡萄牙文、西班牙文、意大利文及多方言语音
• 语音克隆：仅需约 3 秒参考音频即可高质量复刻音色（Base 系列模型）
• 语音设计：通过自然语言描述直接"设计"全新音色（VoiceDesign 模型），无需参考音频
• 自然语言语音控制：可用指令控制音色、情感、韵律等多维声学属性，实现"所见即所听"
• 极低延迟流式生成：双轨混合流式架构，单字符输入即可输出首个音频包，端到端合成延迟低至约 97ms
• 多种规格：提供 0.6B / 1.7B 参数，支持 vLLM 高性能推理

适用场景

实时语音交互、智能客服、有声内容生产、数字人语音、多语言内容出海、角色配音等。

更多信息可参考：https://github.com/QwenLM/Qwen3-TTS